具有卷积和自我注意机制的对比网络用于无监督细胞细分的自我注意机制

科学领域:

• 生物医学图像分析
• 计算病理学计算病理学
• 深度学习应用程序深度学习应用程序

背景情况:

• 监督的单元实例细分需要耗时的像素智能注释.
• 弱或半监督的方法减少了注释负担,但仍然需要一些标签.
• 完全不受监督的细胞细分仍然是生物医学成像中的一个挑战.

研究的目的:

• 为细胞实例细分开发一个端到端无监督的深度学习模型.
• 将单个细胞区域从血素和素 (H&E) 染色的幻灯片进行细分,没有任何注释.
• 与监督方法相比,评估模型的性能和概括能力.

主要方法:

• 提出了一个端到端无监督的深度学习模型.
• 该模型处理原始的H&E染色幻灯片数据,而不需要注释或伪标签生成.
• 废弃实验将拟议的骨干与纯卷积神经网络 (CNN) 和变压器进行了比较.

主要成果:

• 无监督模型在细分单个细胞区域方面表现出令人满意的表现.
• 该模型在各种验证数据集中表现出强大的概括能力.
• 拟议的骨干在捕获对象边缘和上下文信息方面表现出优异的性能,与无监督方法下的纯CNN或变压器架构相比.

结论:

• 开发的无监督模型有效地在没有注释的H&E图像中对细胞进行细分.
• 该模型为生物医学图像分析中的劳动密集型监督方法提供了可行的替代方案.
• 骨干架构是有效的无监督细胞细分,捕获关键的空间和上下文信息.