基于高效UNet与形态学后处理的神经元实例分割通用深度学习框架
图像与视频处理
2022-10-25 v3 计算机视觉与模式识别
摘要
近期研究已证明深度学习在医学图像分析中的优越性，尤其在细胞实例分割这一许多生物学研究的基础步骤中。然而，神经网络的优异性能需要基于大规模、无偏数据集和标注进行训练，而这耗费人力且需要专业知识。本文提出一个端到端框架，仅使用点标注即可在组织学图像上自动检测并分割NeuN染色的神经元细胞。不同于传统的点标注细胞核分割，我们提出利用点标注与二值分割合成像素级标注。合成掩码被用作训练神经网络的真值，该网络为一种以最先进网络EfficientNet作为编码器的类U-Net架构。验证结果显示我们的模型优于其他近期方法。此外，我们研究了多种后处理方案，并提出一种利用终极腐蚀与动态重建将概率图转换为分割实例的原创策略。该方法易于配置，且优于其他经典后处理技术。本工作旨在开发一个稳健高效的框架，用于基于光学显微数据分析神经元，可应用于临床前生物学研究，更具体地，在神经退行性疾病背景下使用。
引用
@article{arxiv.2202.08682,
title = {A General Deep Learning framework for Neuron Instance Segmentation based on Efficient UNet and Morphological Post-processing},
author = {Huaqian Wu and Nicolas Souedet and Caroline Jan and Cédric Clouchoux and Thierry Delzescaux},
journal= {arXiv preprint arXiv:2202.08682},
year = {2022}
}