Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation

要約

病理組織画像から核実体をセグメンテーションする場合、核実体の注釈付けは非常に手間がかかり、専門家に依存する必要があります。
このタスクに対する有望な解決策として、弱教師/半教師あり学習、敵対的生成学習など、アノテーション効率の高い深層学習パラダイムが最近多くの研究の関心を集めています。この論文では、アノテーション効率の高いニュークリアス インスタンスを定式化することを提案します。
少数ショット学習 (FSL) の観点からのセグメンテーション。
私たちの研究は、計算病理学の隆盛に伴い、完全にアノテーションが付けられたデータセットが公的にアクセスできるようになったことが動機となっており、これらの外部データセットを活用して、非常に限られたアノテーションしか持たないターゲット データセットでのニュークリアス インスタンスのセグメンテーションを支援したいと考えています。
この目標を達成するために、メタ学習ベースの FSL パラダイムを採用しますが、タスクに適応する前に 2 つの重要な側面で調整する必要があります。
まず、新しいクラスは外部データセットのクラスと一致しない可能性があるため、少数ショット インスタンス セグメンテーション (FSIS) の基本定義を一般化少数ショット インスタンス セグメンテーション (GFSIS) に拡張します。
第二に、隣接する細胞間の接触、細胞の不均一性などを含む核セグメンテーションの本質的な課題に対処するために、GFSIS ネットワークに構造ガイダンス メカニズムをさらに導入し、最終的に統合された構造ガイドによる一般化された少数ショット インスタンス セグメンテーションにつながります。
(SGFSIS) フレームワーク。
公的にアクセス可能ないくつかのデータセットに対する広範な実験により、SGFSIS が、半教師あり学習、単純転移学習などを含む他のアノテーション効率の高い学習ベースラインを上回り、アノテーションが 5% 未満の完全教師あり学習と同等のパフォーマンスを発揮できることが実証されました。

要約(オリジナル)

Nucleus instance segmentation from histopathology images suffers from the extremely laborious and expert-dependent annotation of nucleus instances. As a promising solution to this task, annotation-efficient deep learning paradigms have recently attracted much research interest, such as weakly-/semi-supervised learning, generative adversarial learning, etc. In this paper, we propose to formulate annotation-efficient nucleus instance segmentation from the perspective of few-shot learning (FSL). Our work was motivated by that, with the prosperity of computational pathology, an increasing number of fully-annotated datasets are publicly accessible, and we hope to leverage these external datasets to assist nucleus instance segmentation on the target dataset which only has very limited annotation. To achieve this goal, we adopt the meta-learning based FSL paradigm, which however has to be tailored in two substantial aspects before adapting to our task. First, since the novel classes may be inconsistent with those of the external dataset, we extend the basic definition of few-shot instance segmentation (FSIS) to generalized few-shot instance segmentation (GFSIS). Second, to cope with the intrinsic challenges of nucleus segmentation, including touching between adjacent cells, cellular heterogeneity, etc., we further introduce a structural guidance mechanism into the GFSIS network, finally leading to a unified Structurally-Guided Generalized Few-Shot Instance Segmentation (SGFSIS) framework. Extensive experiments on a couple of publicly accessible datasets demonstrate that, SGFSIS can outperform other annotation-efficient learning baselines, including semi-supervised learning, simple transfer learning, etc., with comparable performance to fully supervised learning with less than 5% annotations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google