Semantic segmentation of cells in microscope images : evaluating data augmentation techniques

Abstract

Semantic image segmentation is a topic of computer vision that can be applied to many different fields of research. In biomedical research it is important to be able to distinguish the object of interest in the image from the background, particularly for microscopy im ages of cells. The segmentation of cells is a time consuming process if done by hand, many approaches to this problem use Deep Learning models to solve this. A common trait to these approaches is they are trained on a specific dataset and tipically perform poorly when there is a shift on the domain of images to evaluate compared to the training dataset. We propose to analyze both the extent of domain shift/overfitting and mitiga tion techniques with the use of data augmentation. To evaluate our approach we will compare models with and without data augmentation cross validating through intra- and inter-dataset testing.

Segmentação semântica de imagens é um tópico de visão computacional que pode ser aplicado em vários domínios de pesquisa. No campo de pesquisa de biomedicina é im portante ter a capacidade de distinguir um objeto de interesse em uma imagem do fundo, particularmente para imagens de microscopia de células. A segmentação de células é um processo demorado se feito a mão, muitas abordagens para esse problema usam modelos de Deep Learning para resolver isso. Uma característica em comum dessas abordagens é que elas são treinadas em um dataset específico e tipicamente não geram resultados bons quando há uma mudança no domínio de imagens a ser avaliadas comparado ao da taset de treinamento. Nós propomos analisar ambos a extensão do problema de domain shift/overfitting e técnicas de mitigação através de data augmentation, usando validação cruzada através de testes intra e inter-dataset.