Generative adversarial networks for electron microscopy image segmentation

Abstract

El objetivo de este trabajo es estudiar la conveniencia del “entrenamiento adversario” para la segmentación de imágenes de microscopio electrónico, buscando reducir el esfuerzo de etiquetado y la necesidad de ser experto en el campo. El estudio se realiza sobre el dataset CREMI. Inicialmente se implementan diferentes modelos de aprendizaje supervisado, por medio de la arquitectura UNet de 2 y 3 dimensiones, fijando una referencia. A continuación, se explora la respuesta de nuestro dataset al entrenamiento no supervisado por medio de la arquitectura Style-Gan. Finalmente se opta por el framework Boundless, con el objetivo de que las representaciones, texturas y estructuras aprendidas durante la tarea auxiliar de extensión de imagen sean útiles para aplicar transferencia de aprendizaje en la tarea principal de segmentar o detectar las membranas de las células.

The aim of this work is to study the suitability of adversarial training for electron microscopy image segmentation, looking forward reducing the labeling efforts that this task requires, in addition to exceptional knowledge on the field. For such a task we work on the CREMI dataset. Initially, different supervised learning models are implemented, through the 2D and 3D UNet architecture, establishing a reference. Consecutively, different unsupervised trainings are carried out through the Style-Gan architecture in order to analyse the answer and behaviour of our dataset. Finally, the Boundless framework is chosen to learn representations through the auxiliary task of image-extension, seeking that these representations would be useful in the main objective of segmentation and membrane detection, after transfer learning is applied