Active Learning Enabled Low-cost Cell Image Segmentation Using Bounding Box Annotation

细胞图像分割通常使用全监督深度学习方法实现，这些方法严重依赖于大量标注的训练数据。然而，由于细胞形态的复杂性和对专业知识的要求，像素级别的细胞图像注释已成为一项高度劳动密集型的任务。为了解决上述问题，我们提出了一种使用边界框注释的主动学习框架，用于细胞分割，大大降低了细胞分割算法的数据注释成本。首先，我们通过将YOLOv8检测器与Segment Anything Model（SAM）相结合，生成了一种框注释的学习方法（称为YOLO-SAM），有效降低了数据注释的复杂性。此外，它被集成到一个主动学习框架中，该框架采用MC DropBlock方法，使用更少的框注释样本训练分割模型。广泛的实验表明，与掩膜监督的深度学习方法相比，我们的模型节省了超过90％的数据注释时间。

论文旨在解决细胞图像分割中标注数据成本高昂的问题，提出了一种使用边界框注释的主动学习框架。

论文提出了一种结合YOLOv8检测器和Segment Anything Model（SAM）的边界框监督学习方法，并将其集成到主动学习框架中，使用MC DropBlock方法训练分割模型，使其在少量边界框注释样本的情况下得到训练。

论文通过实验表明，与基于掩模监督的深度学习方法相比，该模型可以节省超过90％的数据注释时间。此外，论文使用了公开数据集，并提供了开源代码。

在细胞图像分割领域，近期的相关研究包括“CellSegNet: An end-to-end deep neural network for cell segmentation from high-content screening microscopy images”和“Deep learning for microscopy image analysis: A brief review”。