先进的多显微视图细胞半监督分割
图像与视频处理
2023-03-22 v1 计算机视觉与模式识别
摘要
尽管深度学习（DL）在细胞分割任务中展现出强大潜力，但其泛化能力差，因为基于 DL 的方法最初将细胞分割简化为检测细胞膜边界，缺乏显著的细胞结构来进行整体定位区分。此外，标注细胞图像的稀缺限制了 DL 模型的性能。单一类别细胞的分割局限使得大量实践困难，更不用说不同模态的情况。在本文中，我们引入一种新颖的半监督细胞分割方法，称为多显微视图细胞半监督分割（MMCS），它能够利用较少标注的、具有不同显微镜下的多姿态细胞图像很好地训练细胞分割模型。在技术层面，MMCS 由核辅助全局识别、自适应直径滤波和时序集成模型组成。核辅助全局识别添加额外的细胞核通道，以改善模糊细胞膜边界甚至在细胞聚集时的全局区分性能。此外，自适应细胞直径滤波器可帮助恰当地分离具有不同形态的多分辨率细胞。它进一步利用时序集成模型改进半监督训练过程，以较少标注数据实现有效训练。另外，优化未标注损失在总损失中的权重也有助于提升模型性能。在 NeurIPS 2022 细胞分割挑战赛（NeurIPS CellSeg）的调优集上评估，MMCS 取得了 0.8239 的 F1 分数，且所有案例的运行时间均在时间容限内。
引用
@article{arxiv.2303.11661,
title = {Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation},
author = {Fang Hu and Xuexue Sun and Ke Qing and Fenxi Xiao and Zhi Wang and Xiaolu Fan},
journal= {arXiv preprint arXiv:2303.11661},
year = {2023}
}
备注
23 pages