MTCSNet:单阶段学习和双点标签足以进行细胞细分

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:

• 深度卷积神经网络对于医学图像分析任务,如细胞细分至关重要.
• 当前的方法往往需要大量的手动注释,阻碍了效率.
• 弱监督的学习提供了一个解决方案,但与完全监督的方法相比,它面临着绩效差距.

研究的目的:

• 开发一种弱监督的细胞细分方法,用于多模式医学图像.
• 为了减少细胞细分任务的注释负担.
• 为了弥合弱和完全监督学习之间的绩效差距.

主要方法:

• 为单阶段培训提出了多任务细胞细分网络 (MTCSNet).
• 每个单元中仅使用两个注释点 (中心点和边界点) 进行监控.
• 整合了五个辅助任务:两个像素级分类,像素级回归,局部温度缩放和实例级距离回归.

主要成果:

• 与现有的弱监督的细胞细分方法相比,MTCSNet表现出卓越的性能.
• 在公共多模式医疗图像数据集上取得了最先进的结果.
• 验证了有效细胞细分的两点标签方法的充分性.

结论:

• 拟议的MTCSNet有效地在最小的注释下进行细胞细分.
• 使用双点标签的单阶段学习是微细轮划分的可行替代方案.
• 这种方法显著减少了医学图像分析中的注释工作量.