使用不完整的初始注释进行细胞检测和跟踪的弱监督的学习方法
Hao Wu1, Jovial Niyogisubizo1,2, Keliang Zhao1,2
1Shenzhen Key Laboratory of Intelligent Bioinformatics and Center for High Performance Computing, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen 518055, China.
International journal of molecular sciences
|November 25, 2023
概括
这项研究引入了一种新的弱监督学习框架,用于检测和跟踪显微镜图像中的细胞. 它显著提高了使用不完整标签的准确性,减少了生物医学研究中手动注释的需求.
科学领域:
- 生物医学成像技术 生物医学成像技术
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 用显微镜检测细胞对于生物医学研究至关重要,但由于细胞的外观和数量具有动态性,因此具有挑战性.
- 目前的卷积神经网络 (CNN) 方法需要大量的手动注释,增加时间和成本.
- 弱监督的学习提供了一个潜在的解决方案,以减少注释负担.
研究的目的:
- 开发一种新的弱监督学习框架,用于细胞检测和跟踪显微镜图像序列.
- 使用不完整的初始标签训练深度神经网络,减少对全面手动注释的需求.
- 提高细胞检测和跟踪在诸如诱导多能干细胞 (iPS) 等具有挑战性的数据集中的稳定性和准确性.
主要方法:
- 提出了一个弱监督的学习框架,利用光图像的不完整细胞标记物进行初始培训.
- 通过结合检测和跟踪结果来提高模型的稳定性,采用代标签更新.
- 评估了iPS细胞数据集的框架和来自细胞追踪挑战 (CTC) 的公共FluoN2DH-GOWT1数据集.
主要成果:
- 在iPS细胞数据集上实现了0.862和0.924的高检测准确度 (DET) 评分.
- 在FluoN2DH-GOWT1数据集上表现出显著的性能改善,DET从0.130增加到0.903 (10%标签).
- 证明了性能随着标签质量的提高而提高,超过完全监督的方法,标签60%.
结论:
- 开发的弱监督的框架有效地执行细胞检测和跟踪不完整的注释.
- 代标签改进策略提高了模型的稳定性和准确性.
- 这种方法为细胞成像分析中完全监督的方法提供了更有效和更具成本效益的替代方案.
