KDDJun, 2020

少样本显微镜图像细胞分割

PDF
TL;DR本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。
cell segmentationmicroscopy imagesdeep neural networksmeta-learningfew-shot learning
发现论文，激发创造
  • 使用小视觉提示进行单次和部分监督的细胞图像分割

    本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

    Apr, 2023

  • 形态无关细胞实例分割的少样本适应

    通过引入少样本领域自适应方法，仅需要标注新数据中一到五个细胞即可快速调整模型以保持高准确性，在处理具有细长且非凸形态的细菌数据集时，取得了显著的准确度提升。

    Feb, 2024

  • 一种可微元学习模型用于少样本语义分割

    该研究提出了一种基于元学习的新框架 MetaSegNet，通过全局和局部特征分支，在元学习中提取少样本语义分割的适当元知识，并将线性模型集成到 MetaSegNet 中，以实现一次性精确地多目标分割。实验结果表明，该方法在 K 路少样本语义分割任务中表现出良好的效果。

    Nov, 2019

  • 通过解缠传递学习进行跨域显微镜细胞计数

    本文提出了一种跨域细胞计数方法，使用少量标注的目标域图像和大量合成的源域图像进行训练，通过逐步微调模型实现在新的目标域图像上进行细胞计数。实验表明该方法在微生物学领域有着良好的表现。

    Nov, 2022

  • Few-Shot 弱监督医学图像分割的元学习器

    本文提出了一个基于元学习的弱监督分割方案，并在医学成像领域进行了实验和对不同范例的比较分析，研究结果表明度量学习元学习方法在小型领域变化的任务中具有更好的分割结果，而某些梯度和融合的元学习方法则对大型领域变化具有更好的推广性。

    May, 2023

  • 基于协作知识分享的点监督单细胞分割

    本文提出了一种基于自学习的方法，即协同知识共享，用于在单细胞分割模型的弱监督训练中，通过共享主模型和轻量级协作者模型之间的知识来缓解大规模训练数据的需要。实验结果表明该方法在不需要大规模手动标注训练数据的情况下，能够取得较好的单细胞分割效果。

    Apr, 2023

  • 少样本语义分割：方法学综述与挑战

    本篇论文对语义分割中的 Few-Shot Learning 进行了概述，提出了新的分类法，并描述了当前的局限性和展望。

    Apr, 2023

  • 医学影像中少样本学习的系统回顾

    基于系统回顾，本文阐述了少样本学习在医学影像识别中的广泛应用，特别是基于元学习的方法，该方法可以克服数据稀缺问题，适应少标注样本，并且常用的技术是监督学习和半监督学习，主要应用领域集中在心脏、肺和腹部等部位。

    Sep, 2023

  • 利用低层次线索的多模态图像细胞分割

    多模态显微图像的细胞分割仍然是一个挑战，为了解决这个问题，我们首先开发了一个基于细胞的低级图像特征的自动分类流程，然后训练了一个基于类别标签的分类模型。然后，我们针对每个类别训练了一个单独的分割模型，使用对应类别中的图像。此外，我们还部署了两种类型的分割模型，分别用于分割具有圆形和不规则形状的细胞。此外，为了增强分割模型的效率，我们采用了一种高效且强大的主干模型。在 NeurIPS 2022 Cell Segmentation Challenge 的调优集上评估，我们的方法达到了 F1 得分 0.8795，所有情况的运行时间都在时间容限范围内。

    Oct, 2023

  • 细胞检测和分割的弱监督多任务学习

    本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

    Oct, 2019