Learning Probabilistic Structural Representation for Biomedical Image Segmentation

要約

生物医学画像からのさまざまな微細構造の正確なセグメンテーションは、非常に重要でありながら困難な問題です。
既存の方法は、追加のトレーニング損失としてトポロジ情報を使用しますが、最終的にはピクセル単位の表現を学習しています。
本論文では、構造表現を学習するための最初の深層学習法を提案する。
離散モース理論と永続的なホモロジーを使用して、構造表現空間として構造の1パラメーターファミリーを構築します。
さらに、そのような構造表現空間で推論タスクを実行できる確率モデルを学習します。
私たちは、私たちの方法の強みを経験的に示しています。つまり、トポロジの整合性が優れたピクセルマップではなく真の構造を生成し、構造のサンプリングと構造を認識する不確実性を使用して、ヒューマンインザループアノテーションパイプラインを促進します。

要約(オリジナル)

Accurate segmentation of various fine-scale structures from biomedical images is a very important yet challenging problem. Existing methods use topological information as an additional training loss, but are ultimately learning a pixel-wise representation. In this paper, we propose the first deep learning method to learn a structural representation. We use discrete Morse theory and persistent homology to construct an one-parameter family of structures as the structural representation space. Furthermore, we learn a probabilistic model that can do inference tasks on such a structural representation space. We empirically demonstrate the strength of our method, i.e., generating true structures rather than pixel-maps with better topological integrity, and facilitating a human-in-the-loop annotation pipeline using the sampling of structures and structure-aware uncertainty.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google