SYNTA: A novel approach for deep learning-based image analysis in muscle histopathology using photo-realistic synthetic data

要約

人工知能（AI）、機械学習、深層学習（DL）の手法は、生物医学画像解析の分野でますます重要になってきている。しかし、このような手法の可能性を最大限に引き出すためには、手動で注釈を付けた対象物を相当数含む、実験的に取得された代表的な数の画像が学習データとして必要である。ここでは、DLシステムの学習データとして、合成されたフォトリアリスティックで非常に複雑なバイオメディカル画像を生成するための新しいアプローチとして、SYNTA（合成データ）を紹介する。組織切片の筋繊維と結合組織解析の文脈で、本アプローチの汎用性を示す。我々は、合成訓練データのみを用いて、手動による注釈を必要とすることなく、以前に見たことのない実世界のデータに対して、ロバストでエキスパートレベルのセグメンテーションタスクを実行できることを実証する。完全にパラメトリックな手法である本アプローチは、Generative Adversarial Networks (GANs)に代わる、解釈可能で制御可能な手法であり、顕微鏡やそれ以外の様々な生物医学アプリケーションにおいて、定量的な画像解析を大幅に加速する可能性を秘めている。

要約(オリジナル)

Artificial intelligence (AI), machine learning, and deep learning (DL) methods are becoming increasingly important in the field of biomedical image analysis. However, to exploit the full potential of such methods, a representative number of experimentally acquired images containing a significant number of manually annotated objects is needed as training data. Here we introduce SYNTA (synthetic data) as a novel approach for the generation of synthetic, photo-realistic, and highly complex biomedical images as training data for DL systems. We show the versatility of our approach in the context of muscle fiber and connective tissue analysis in histological sections. We demonstrate that it is possible to perform robust and expert-level segmentation tasks on previously unseen real-world data, without the need for manual annotations using synthetic training data alone. Being a fully parametric technique, our approach poses an interpretable and controllable alternative to Generative Adversarial Networks (GANs) and has the potential to significantly accelerate quantitative image analysis in a variety of biomedical applications in microscopy and beyond.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL