論文の概要: Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework

• arxiv url: http://arxiv.org/abs/2212.10305v1
• Date: Tue, 20 Dec 2022 14:53:26 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-21 16:32:19.772846
• Title: Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework
• Title（参考訳）: ラベル効率の良い核セグメンテーションフレームワーク「pixel to annotate」
• Authors: Wei Lou, Haofeng Li, Guanbin Li, Xiaoguang Han, Xiang Wan
• Abstract要約: ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 70.18084425770091
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently deep neural networks, which require a large amount of annotated samples, have been widely applied in nuclei instance segmentation of H\&E stained pathology images. However, it is inefficient and unnecessary to label all pixels for a dataset of nuclei images which usually contain similar and redundant patterns. Although unsupervised and semi-supervised learning methods have been studied for nuclei segmentation, very few works have delved into the selective labeling of samples to reduce the workload of annotation. Thus, in this paper, we propose a novel full nuclei segmentation framework that chooses only a few image patches to be annotated, augments the training set from the selected samples, and achieves nuclei segmentation in a semi-supervised manner. In the proposed framework, we first develop a novel consistency-based patch selection method to determine which image patches are the most beneficial to the training. Then we introduce a conditional single-image GAN with a component-wise discriminator, to synthesize more training samples. Lastly, our proposed framework trains an existing segmentation model with the above augmented samples. The experimental results show that our proposed method could obtain the same-level performance as a fully-supervised baseline by annotating less than 5% pixels on some benchmarks.
• Abstract（参考訳）: 近年, 大量のアノテートサンプルを必要とする深層ニューラルネットワークが, H&E染色病理像の核インスタンス分割に広く応用されている。 しかし、通常同様の冗長なパターンを含む核画像のデータセットにすべてのピクセルをラベル付けるのは非効率で不要である。 核セグメンテーションのための教師なしおよび半教師付き学習法が研究されているが、アノテーションの作業量を減らすためにサンプルの選択的なラベル付けの研究はほとんど行われていない。 そこで,本稿では,アノテート対象のイメージパッチのみを選択し,選択したサンプルからのトレーニングセットを増強し,半教師ありで核セグメンテーションを実現する,新しい完全核セグメンテーションフレームワークを提案する。 提案フレームワークでは,まず,画像パッチがトレーニングに最も有用であるかを決定するために,一貫性に基づく新しいパッチ選択手法を提案する。 次に,成分判別器を用いた条件付き単一画像GANを導入し,より多くのトレーニングサンプルを合成する。 最後に,提案フレームワークは上記の拡張サンプルを用いて既存のセグメンテーションモデルを訓練する。 実験の結果, 提案手法は, 5%未満のアノテートにより, 完全教師付きベースラインと同レベルの性能を得ることができた。

関連論文リスト

• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Cyclic Learning: Bridging Image-level Labels and Nuclei Instance Segmentation [19.526504045149895]
  本稿では,この問題を解決するために,循環学習と呼ばれる画像レベルの弱教師付き手法を提案する。 サイクルラーニングは、フロントエンドの分類タスクと、バックエンドの半教師付きインスタンスセグメンテーションタスクで構成される。 3つのデータセットを用いた実験は、核インスタンスのセグメンテーションにおいて、他の画像レベルの弱教師付き手法よりも優れた、我々の手法の優れた一般性を示す。
  論文  参考訳（メタデータ） (2023-06-05T08:32:12Z)
• Learning to Annotate Part Segmentation with Gradient Matching [58.100715754135685]
  本稿では,事前学習したGANを用いて,高品質な画像を生成することで,半教師付き部分分割タスクに対処することに焦点を当てる。 特に、アノテータ学習を学習から学習までの問題として定式化する。 提案手法は,実画像,生成された画像,さらには解析的に描画された画像を含む,幅広いラベル付き画像からアノテータを学習可能であることを示す。
  論文  参考訳（メタデータ） (2022-11-06T01:29:22Z)
• SCNet: Enhancing Few-Shot Semantic Segmentation by Self-Contrastive Background Prototypes [56.387647750094466]
  Few-shot セマンティックセマンティックセマンティクスは,クエリイメージ内の新規クラスオブジェクトを,アノテーション付きの例で分割することを目的としている。 先進的なソリューションのほとんどは、各ピクセルを学習した前景のプロトタイプに合わせることでセグメンテーションを行うメトリクス学習フレームワークを利用している。 このフレームワークは、前景プロトタイプのみとのサンプルペアの不完全な構築のために偏った分類に苦しんでいます。
  論文  参考訳（メタデータ） (2021-04-19T11:21:47Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Uncertainty guided semi-supervised segmentation of retinal layers in OCT images [4.046207281399144]
  セグメンテーションネットワークを訓練する学生・教師のアプローチに基づく,新しい不確実性誘導半教師学習を提案する。 提案するフレームワークは,様々な画像モダリティにまたがるバイオメディカルイメージセグメンテーションに有効である。
  論文  参考訳（メタデータ） (2021-03-02T23:14:25Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。