Segmentation of Mouse Brain Slices with Unsupervised Domain Adaptation Considering Cross-sectional Locations
Notice bibliographique
Résumé
Images of mouse brain slices, obtained under slightly different experimental conditions, are available in 84 datasets in the NeuroGT database (https://ssbd.riken.jp/neurogt/). Our goal was to obtain semantic segmentation results for eight brain anatomical regions. However, out of 84 datasets, only one dataset had true labels that could be used to train a convolutional neural network (CNN), and it was incomplete (131 out of 162 images). A segmentation model trained with the labeled images was less accurate on other images obtained under different experimental conditions because of differences of the image properties. We therefore tried Unsupervised Domain Adaptation (UDA), wherein the parameters of the CNN trained on the labeled images (source) were transferred to the unlabeled images (target). We used the positional information of the sample slices associated with each image to propose a novel loss function that approximated the class occurrence probabilities of segmentation results obtained from source and target images of brain samples at similar sliced locations, and we introduced it into the UDA. The proposed UDA method achieved an mIoU of 78.34%, which was 8% more accurate than the previous UDA methods such as Contrastive Learning and Self-Training (CLST) and Maximum Classifier Discrepancy (MCD). We demonstrated experimentally that the proposed method was useful for segmenting biomedical images with a small amount of incomplete training data.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».