一种用于三维显微镜图像细胞核分割的辅助任务学习方法
计算机视觉与模式识别
2020-02-10 v1
摘要
在细胞生物学中，显微镜图像中细胞核的分割是一项普遍需求。尤其对于三维数据集，手动分割耗时过多，亟需自动化方法。基于像素级真值分割训练的学习方法已在二维细胞核基准图像数据上取得最优结果，但三维图像数据尚缺乏相应基准。本文中，我们在一个手动分割的三维光显微体素数据库上对比评估了细胞核分割算法。我们提出了一种新颖的学习策略，通过简单的辅助任务提升分割精度，从而稳健地优于各个基线方法。此外，我们表明，当使用我们提出的辅助任务训练时，流行的三标签模型这一基线优于近期的 StarDist-3D。作为另一项实用贡献，我们将细胞核分割与细胞核检测（即仅定位单个细胞核而不生成相应像素精确分割的任务）进行基准比较。对于学习细胞核检测，存在大量带手动标注核中心点的三维训练数据集。然而，在此类稀疏真值而非稠密像素级真值上训练对检测精度的影响尚未被量化。为此，我们比较了在稠密与稀疏真值上训练所产生的细胞核检测精度。我们的结果表明，在稀疏真值上训练可取得有竞争力的细胞核检测率。
引用
@article{arxiv.2002.02857,
title = {An Auxiliary Task for Learning Nuclei Segmentation in 3D Microscopy Images},
author = {Peter Hirsch and Dagmar Kainmueller},
journal= {arXiv preprint arXiv:2002.02857},
year = {2020}
}
备注
code available at: https://github.com/Kainmueller-Lab/aux_cpv_loss