BriFiSeg：一种基于深度学习的明场图像细胞核语义与实例分割方法
图像与视频处理
2022-11-08 v1 计算机视觉与模式识别
摘要
通常，生物学中的显微图像分析依赖于使用专用染色图像对单个细胞核进行分割，以识别单个细胞。然而染色细胞核存在诸如需要样品制备、显微镜需特定设备等缺点，但最重要的是，在大多数情况下，核染色与所关注的生物学问题无关，仅用于分割任务。在本研究中，我们使用未染色的明场图像进行细胞核分割，其优势在于可在任何显微镜上从活体或固定样品获取，且无需特定样品制备。基于U-Net架构，在四种不同细胞系上获得了明场图像的细胞核语义分割。我们系统地测试了深度预训练编码器，以识别与所用不同神经网络架构组合时性能最佳者。此外，采用了两种不同且有效的策略进行实例分割，随后进行了细致的实例评估。我们在标准测试集以及由多种小分子抑制剂处理引发的非常多样的生物学背景下，获得了明场图像中细胞核的有效语义与实例分割。本研究使用的代码已公开，以供社区进一步使用。
引用
@article{arxiv.2211.03072,
title = {BriFiSeg: a deep learning-based method for semantic and instance segmentation of nuclei in brightfield images},
author = {Gendarme Mathieu and Lambert Annika M. and El Debs Bachir},
journal= {arXiv preprint arXiv:2211.03072},
year = {2022}
}