蒙面细胞的伪色化自主监督

科学领域:

• 生物医学成像学 生物医学成像学
• 深度学习是一种深度学习.
• 计算生物学是一种计算生物学.

背景情况:

• 自主监督学习在生物医学图像分析的深度学习中变得越来越重要.
• 当前的方法通常需要大量的标记数据,限制了它们的应用.
• 需要新的自我监督目标来改善细胞分析的代表性学习.

研究的目的:

• 引入一种新的自我监督目标,用于分析生物医学显微镜图像中的细胞.
• 通过伪色化和掩面图像建模来增强用于细胞检测的深度学习模型.
• 根据已建立的自主监督学习框架来评估拟议的方法.

主要方法:

• 开发了一种新的自我监督目标,涉及伪色化口罩细胞,使用基于物理的伪光谱色图.
• 通过掩盖细胞部位和训练模型来重建它们来进行嵌入式蒙面图像建模.
• 利用混合深度学习模型,将卷积和视觉转换器模块结合起来用于细胞检测.
• 将拟议的预训练方法与对比学习 (SimCLR),蒙面自动编码器 (MAE) 和基于边缘的自我监督进行了比较.

主要成果:

• 伪色化作为语义细分的近似方法,对于随后的细胞检测微调证明是有益的.
• 蒙面细胞部分重建进一步丰富了学习的表征.
• 拟议的预训练方法在六个不同的光显微镜数据集上表现优于SimCLR,MAE类的蒙面图像建模和基于边缘的自我监督.
• 混合模型在细胞检测任务中表现出强的表现.

结论:

• 拟议的伪色化和蒙面图像建模自我监督策略为生物医学细胞图像分析提供了一种强大的方法.
• 这种方法有效地学习了强大的表示,改善了下游细胞检测任务.
• 该方法与现有的自我监督学习技术相比,表现出更高的性能,突出了其在推进生物医学深度学习应用方面的潜力.