Resumen

Este artículo analiza un algoritmo para construir un marco de aprendizaje semisupervisado para detectar células. Las células candidatas se representan como regiones extremas extraídas de una representación jerárquica de la imagen. El entrenamiento de un clasificador para la detección de células mediante enfoques supervisados depende de una gran cantidad de datos de entrenamiento, lo que requiere mucho esfuerzo y tiempo. Nosotros proponemos un enfoque semisupervisado para reducir esta carga. El conjunto de regiones extremas se genera utilizando un detector de regiones extremas máximamente estable (MSER). Se selecciona un subconjunto de regiones no solapadas con gran similitud a las células de interés. Utilizando el árbol construido a partir del detector MSER, desarrollamos un nuevo término de pérdida diferenciable no supervisado que impone la restricción de no solapamiento con la función aprendida. Nuestro algoritmo requiere muy pocos ejemplos de celdas con anotaciones de puntos simples para el entrenamiento. Las pérdidas supervisadas y no supervisadas se integran en un marco bayesiano de aprendizaje probabilístico.

• Materias:Algoritmos de aprendizaje Transductores de ultrasonido Ingeniería de atención Estudio biomecánico Ortesis progresivas estáticas
• Subjects:Learning algorithms Ultrasound transducers Care engineering Biomechanical study Static progressive orthoses
• Palabras claves:células, regiones extremas, término de pérdida diferenciable no supervisado, representación jerárquica de imágenes, marco de aprendizaje semisupervisado, anotaciones de puntos simples, región extrema estable, algoritmo, marco bayesiano, detector MSER
• Keywords:cells, extremal regions, differentiable unsupervised loss term, hierarchical image representation, semisupervised learning framework, simple dot annotations, stable extremal region, algorithm, Bayesian framework, MSER detector