计算机科学>计算机视觉与模式识别
标题: 基于循环分割GAN的无标记模态实例分割
摘要: 未标记成像设备的实例分割是一项具有挑战性但至关重要的任务,因为收集专家注释可能既昂贵又耗时。 现有的研究通过部署在不同训练数据上优化的预训练模型或作为两个独立步骤进行域翻译和图像分割来分割新的模式。 在这项工作中,我们提出了一种新的循环分割生成对抗网络(CySGAN),它使用统一的框架联合进行图像翻译和实例分割。除了图像翻译的CycleGAN损失和注释源域的监督损失外, 我们引入了额外的自监督和基于分割的对抗目标,通过利用未标记的目标域图像来提高模型性能。 我们用带注释的电子显微镜(EM)图像和无标记的扩展显微镜(ExM)数据对我们的方法进行了三维神经元细胞核分割任务的基准测试。 我们的CySGAN优于预处理的通用模型和连续进行图像翻译和分割的基线。 我们的实现和新收集的、注释密集的ExM核数据集NucExM可在 此https URL .