细胞实例分割：边界才是魔鬼

基于深度学习语义分割方法的状态最佳（SOTA）细胞实例分割方法侧重于区分前景像素与背景像素。为了从前景像素（例如像素聚类）中识别细胞实例，大多数方法将实例信息分解为像素级目标，如到前景-背景边界的距离图（distance maps）、以中心点为热源的热梯度（heat diffusion maps）以及具有固定角度的从中心点到前景-背景边界的距离（星形多边形）。然而，像素级目标可能丢失大量细胞实例的几何属性，如形状、曲率和凸性，这些属性需要一组像素来表示。为解决这一挑战，我们提出了一种新型像素聚类方法，称为 Ceb（即 Cell boundaries），以利用细胞边界特征和标签将前景像素划分为细胞实例。首先，Ceb 从语义分割概率图中提取潜在的前景-前景边界，采用修订后的水位算法。对于每个边界候选区域，Ceb 通过对当前前景-前景边界以及相邻背景-前景边界的像素进行采样构建边界特征表示（称为边界签名）。随后，使用边界分类器预测其二元边界标签。最后，根据预测的边界标签对相邻区域进行划分或合并以获得细胞实例。在六个数据集上的大量实验表明，Ceb 在语义分割概率图上优于现有的像素聚类方法。此外，Ceb 在与 SOTA 细胞实例分割方法进行比较时也表现出高度竞争的性能。