Core Concepts
境界ボックス注釈を用いた低コストの細胞セグメンテーションアルゴリズムを提案し、能動学習を統合することで、マスク注釈に比べて大幅に注釈コストを削減できる。
Abstract
本研究では、細胞画像のセグメンテーションを行うための新しい手法を提案している。従来の深層学習ベースのセグメンテーション手法は、ピクセルレベルのマスク注釈に大きく依存しており、注釈コストが非常に高いという問題があった。
提案手法では、まず境界ボックス注釈を用いた学習手法(YOLO-SAM)を開発した。これにより、マスク注釈に比べて大幅に注釈コストを削減できる。さらに、この手法を能動学習フレームワークに統合することで、より少ない注釈データでも高精度なセグメンテーションが可能となる。
具体的には、YOLO-SAMはYOLOv8検出器とSegment Anything Modelを組み合わせたものであり、境界ボックス注釈から精度の高いセグメンテーションマスクを生成できる。さらに、Monte-Carlo DropBlockを用いた能動学習手法を導入することで、マスク注釈ベースの手法と同等の性能を、わずか30%程度の注釈データで達成できることを示した。
これにより、細胞画像のセグメンテーションタスクにおいて、専門家の労力を大幅に削減しつつ高精度な結果が得られることが実証された。今後は、さらなる注釈コスト削減手法の検討や、他のタスクへの応用などが期待される。
Stats
境界ボックス注釈のみを使用しても、マスク注釈ベースの手法と同等の性能(DSC値99%)を達成できる。
提案手法は、マスク注釈ベースの手法に比べて、わずか2.7%~4.1%の注釈時間で同等の性能を発揮できる。
Quotes
"細胞画像のセグメンテーションは、ピクセルレベルのマスク注釈に大きく依存しており、注釈コストが非常に高い問題がある。"
"提案手法のYOLO-SAMは、境界ボックス注釈から精度の高いセグメンテーションマスクを生成できる。"
"Monte-Carlo DropBlockを用いた能動学習手法により、わずか30%程度の注釈データでマスク注釈ベースの手法と同等の性能を達成できる。"