使用有限的目标数据学习,以检测跨模式图像中的细胞
Fuyong Xing1, Xinyi Yang1, Toby C Cornish2
1Department of Biostatistics and Informatics, University of Colorado Anschutz Medical Campus, 13001 E 17th Pl, Aurora, CO 80045, USA.
Medical image analysis
|October 6, 2023
概括
这项研究引入了一种新的无监督域适应框架,使用生成对抗网络 (GAN) 来改善显微镜图像中的细胞检测,即使目标数据有限. 该方法提高了不同成像模式的性能,而不需要广泛的标记目标数据集.
科学领域:
- 医学图像分析 医学图像分析
- 计算生物学 计算生物学
- 人工智能的人工智能
背景情况:
- 深度神经网络在显微镜中擅长细胞量化,但在交叉模式数据方面扎.
- 使用生成对抗网络 (GAN) 的无监督域调整 (UDA) 显示了跨模式医疗图像量化方面的前景.
- 现有的基于GAN的UDA方法通常需要大量的目标数据,这在现实应用中通常是不可用的.
研究的目的:
- 为了应对有限的未标记的目标数据在未经监督的域适应在显微镜图像中细胞识别的挑战.
- 开发一个强大的基于GAN的UDA框架,以提高跨多种成像模式的细胞检测性能.
- 在统一的UDA框架内调查特定任务建模和数据增强的有效性.
主要方法:
- 增强了带有任务特定建模的双GAN,为生成器学习提供额外的监督.
- 探索了单向和双向任务增强的GAN,用于域调整.
- 引入了可差分的随机数据增强模块,以减轻区分器过拟合.
- 研究了源,目标和双域数据增强,结合了联合任务和数据增强.
主要成果:
- 与基线方法相比,拟议的框架显著提高了细胞检测性能.
- 该方法实现了与训练有实物目标注释的完全监督模型相当或超过的性能.
- 在不同成像条件下跨越多个数据集的最新最先进的UDA方法中表现出色.
结论:
- 开发的基于GAN的UDA框架有效地处理了在显微镜中检测细胞的有限目标数据.
- 整合特定任务建模和高级数据增强可以提高跨模式成像的稳定性和性能.
- 这种方法为在标记目标数据稀缺的情况下进行细胞量化提供了实际解决方案.
