Image segmentation is one of the most important tasks in medical image analysis and is the starting point to understand how brain functions. Recently studies have been focused on supervised deep segmentation algorithms, but in the brain image domain, sufficient pixel-level label data are hard to obtain. In this paper, focusing on the color information of Brainbow data where each neurons are stained into different colors, and address the problem with unsupervised instance segmentation, presenting b-Net, a more powerful architecture for Brainbow image instance segmentation. Our architecture is a 3D encoder-decoder network where it properly function as auto-encoder through sparsity constraint, where encoder produces a k-way pixel-wise prediction, providing meaningful segmentation results in the ProExM Brainbow neuron segmentation. Here encoder is also trained to function as CRF, utilizing the label consistency for segmentation. It is shown that the proposed model can provide proper segmentation for each neuron.
이 논문에서는 비지도학습을 통한 브레인보우 이미지의 객체 분할 기술을 다루었다. 기존의 오토인코더 기술에서 착안하여 브레인보우 3차원 데이터를 인코더와 디코더를 통과시켜 인코더에서 객체 분할에 사용할 수 있는 압축된 특성을 학습할 수 있도록 만들었다. 좀 더 자세히 말하면, 브레인보우데이터의 각 뉴런이 독립된 색을 지닌다는 특성과, 질감 정보가 중요하지 않다는 사실에 착안하여 오토인코더의 중간단에 세그멘테이션과 관련성이 높은 정보만 학습될 수 있게 하여 이 정보를 바탕으로 각 뉴런을 객체 분할하였다. 이 때, 조건부 무작위장을 바탕으로 인코더가 객체 분할에 라벨 일관성 정보를 활용할 수 있도록 하였으며, 중간단에 희소성 제약을 부여하여 중간단이 더 큼에도 불구하고 오토인코더가 제대로 작동하게끔 설계하였다. 제안한 모델이 브레인보우 객체 분할에 있어 좋은 결과를 얻을 수 있음을 결과 분석을 통해 보였다.
