Self-supervised Representation Learning for Cell Event Recognition through Time Arrow Prediction

要約

生細胞顕微鏡データの時空間的性質は、バイオイメージングの基本である細胞状態の分析に課題をもたらします。
深層学習ベースのセグメンテーションまたは追跡手法が効果的に機能するには、大量の高品質の注釈が必要です。
この研究では、セルイベント認識の下流の教師ありタスクにタイムアロー予測 (TAP) 上の自己教師あり表現学習 (SSRL) から得られた特徴マップを使用するという代替ソリューションを検討します。
私たちは、広範な実験と分析を通じて、このアプローチが、完全に監視されたアプローチを使用してエンドツーエンドでトレーニングされたモデルと比較して、限られたアノテーションでより優れたパフォーマンスを達成できることを実証しました。
私たちの分析は、生細胞顕微鏡検査における TAP を使用した SSRL の応用についての洞察も提供します。

要約(オリジナル)

The spatio-temporal nature of live-cell microscopy data poses challenges in the analysis of cell states which is fundamental in bioimaging. Deep-learning based segmentation or tracking methods rely on large amount of high quality annotations to work effectively. In this work, we explore an alternative solution: using feature maps obtained from self-supervised representation learning (SSRL) on time arrow prediction (TAP) for the downstream supervised task of cell event recognition. We demonstrate through extensive experiments and analysis that this approach can achieve better performance with limited annotation compared to models trained from end to end using fully supervised approach. Our analysis also provides insight into applications of the SSRL using TAP in live-cell microscopy.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google