Unsupervised Dense Nuclei Detection and Segmentation with Prior Self-activation Map For Histology Images

要約

医療画像セグメンテーションにおける教師ありディープ ラーニング モデルの成功は、詳細な注釈に依存しています。
ただし、労働集約的な手動のラベル付けは、特に密集したオブジェクトのセグメンテーションでは、コストがかかり、非効率的です。
この目的のために、入力画像から自己活性化マップを生成してラベル付けコストを回避し、下流タスク用の疑似マスクをさらに生成する事前自己活性化モジュール (PSM) を使用した自己教師あり学習ベースのアプローチを提案します。
具体的には、まず自己教師あり学習を使用してニューラル ネットワークをトレーニングし、ネットワークの浅い層の勾配情報を利用して自己活性化マップを生成します。
その後、セマンティックガイド付きジェネレーターがパイプラインとして導入され、ビジュアル表現が PSM から下流のタスク用のピクセルレベルのセマンティック疑似マスクに変換されます。
さらに、核検出ネットワークと核セグメンテーション ネットワークからなる 2 段階のトレーニング モジュールを採用して、最終的なセグメンテーションを実現します。
実験結果は、2 つの公開病理学的データセットに対する有効性を示しています。
他の完全に監視された方法と弱く監視された方法と比較して、私たちの方法は手動の注釈なしで競争力のあるパフォーマンスを達成できます。

要約(オリジナル)

The success of supervised deep learning models in medical image segmentation relies on detailed annotations. However, labor-intensive manual labeling is costly and inefficient, especially in dense object segmentation. To this end, we propose a self-supervised learning based approach with a Prior Self-activation Module (PSM) that generates self-activation maps from the input images to avoid labeling costs and further produce pseudo masks for the downstream task. To be specific, we firstly train a neural network using self-supervised learning and utilize the gradient information in the shallow layers of the network to generate self-activation maps. Afterwards, a semantic-guided generator is then introduced as a pipeline to transform visual representations from PSM to pixel-level semantic pseudo masks for downstream tasks. Furthermore, a two-stage training module, consisting of a nuclei detection network and a nuclei segmentation network, is adopted to achieve the final segmentation. Experimental results show the effectiveness on two public pathological datasets. Compared with other fully-supervised and weakly-supervised methods, our method can achieve competitive performance without any manual annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google