使用基于 CNN 的距离预测与基于图的匹配策略进行细胞分割与跟踪
计算机视觉与模式识别
2020-12-10 v4
摘要
在显微镜图像序列中精确分割和跟踪细胞是生物医学研究中的一项重要任务，例如用于研究组织、器官或整个生物体的发育。然而，在低信噪比图像中对相粘连细胞的分割仍然是一个具有挑战性的问题。在本文中，我们提出了一种用于显微镜图像中粘连细胞分割的方法。通过使用受距离图启发的细胞边界新颖表示，我们的方法不仅能够在训练过程中利用粘连细胞，还能利用相近的细胞。此外，这种表示对标注误差具有显著的鲁棒性，并且在分割包含训练数据中代表性不足或未包含的细胞类型的显微镜图像时显示出有前景的结果。为了预测所提出的邻域距离，使用了一种具有两个解码器路径的改进 U-Net 卷积神经网络 (CNN)。此外，我们改进了一种基于图的细胞跟踪算法，以在细胞跟踪任务上评估我们提出的方法。改进后的跟踪算法在代价函数中加入了运动估计，以便在短帧序列中重新连接缺失分割掩膜的轨迹。我们结合检测的跟踪方法在 IEEE ISBI 2020 细胞跟踪挑战赛 (http://celltrackingchallenge.net/) 中证明了其潜力，作为 KIT-Sch-GE 团队，我们使用单一分割模型在多样化数据集上取得了多项前三名，包括两项最佳成绩。
引用
@article{arxiv.2004.01486,
title = {Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy},
author = {Tim Scherr and Katharina Löffler and Moritz Böhland and Ralf Mikut},
journal= {arXiv preprint arXiv:2004.01486},
year = {2020}
}
备注
25 pages, 14 figures, methods of the team KIT-Sch-GE for the IEEE ISBI 2020 Cell Tracking Challenge