Automated segmentation and morphological characterization of placental histology images based on a single labeled image

要約

この研究では、ラベル付けされたデータが不足している場合の胎盤の組織学的画像のセグメンテーションのために、データ拡張の新しい方法が提示されました。
このメソッドは、一般的なテクスチャと向きを維持しながら、胎盤絨毛間形態の新しい実現を生成します。
その結果、深層学習セグメンテーション モデルのトレーニングに使用できる多様な人工画像データセットが生成されます。
提示されたデータ拡張の方法により、文献の一般的なアプローチと比較して、検証データセットのバイナリクロスエントロピー損失が平均で 42% 減少することがわかりました。
さらに、絨毛間隙の形態は、提案された画像再構成技術の効果の下で研究され、人工的に生成された集団の多様性が定量化されます。
生成された画像は実際の画像と非常によく似ているため、提案された方法のアプリケーションは胎盤の組織学的画像に限定されない可能性があり、将来の研究では他のタイプの組織を調査することをお勧めします。

要約(オリジナル)

In this study, a novel method of data augmentation has been presented for the segmentation of placental histological images when the labeled data are scarce. This method generates new realizations of the placenta intervillous morphology while maintaining the general textures and orientations. As a result, a diversified artificial dataset of images is generated that can be used for training deep learning segmentation models. We have observed that on average the presented method of data augmentation led to a 42% decrease in the binary cross-entropy loss of the validation dataset compared to the common approach in the literature. Additionally, the morphology of the intervillous space is studied under the effect of the proposed image reconstruction technique, and the diversity of the artificially generated population is quantified. Due to the high resemblance of the generated images to the real ones, the applications of the proposed method may not be limited to placental histological images, and it is recommended that other types of tissues be investigated in future studies.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google