基于残差注意力 U-Net 的远心明场透射光显微图像细胞分割：以 HeLa 细胞系为例
定量方法
2022-07-07 v3 计算机视觉与模式识别
图像与视频处理
摘要
由于图像复杂性及活细胞的时间变化，从明场光显微图像中分割活细胞具有挑战性。近年来开发的基于深度学习(DL)的方法因其在医学和显微图像分割任务中的成功与前景而广受欢迎。本文的主要目标是开发一种基于深度学习、U-Net 的方法，以分割明场透射光显微镜下的 HeLa 细胞系活细胞。为寻找最适合我们数据集的架构，提出了一种残差注意力 U-Net，并与注意力 U-Net 及简单 U-Net 架构进行比较。注意力机制突出显著特征并抑制无关图像区域的激活。残差机制克服了梯度消失问题。简单、注意力和残差注意力 U-Net 对我们数据集的 Mean-IoU 分数分别达到 0.9505、0.9524 和 0.9530。通过同时应用残差与注意力机制，在 Mean-IoU 和 Dice 指标上获得了最准确的语义分割结果。将分水岭方法应用于这一最佳——残差注意力——语义分割结果，得到了带有每个细胞特定信息的分割。
引用
@article{arxiv.2203.12290,
title = {Cell segmentation from telecentric bright-field transmitted light microscopy images using a Residual Attention U-Net: a case study on HeLa line},
author = {Ali Ghaznavi and Renata Rychtarikova and Mohammadmehdi Saberioon and Dalibor Stys},
journal= {arXiv preprint arXiv:2203.12290},
year = {2022}
}
备注
32 pages, 7 figures