CellSeg1：基于单张训练图像的鲁棒细胞分割
计算机视觉与模式识别
2024-12-03 v1 定量方法
摘要
近期细胞分割研究趋势向通用模型转变，以应对多样化的细胞形态和成像模态。然而对于不断出现的细胞类型和成像技术，这些模型仍需要数百或数千个标注细胞进行微调。我们引入 CellSeg1，作为使用 1 张图像中少量几十个细胞标注即可实现任意形态和模态细胞分割的实用解决方案。通过采用对 Segment Anything Model (SAM) 的低秩适配 (Low-Rank Adaptation)，我们实现了鲁棒的细胞分割。实验在 19 个多样化细胞数据集上进行，CellSeg1 在 1 张图像上训练即可达到 0.81 的平均 mAP（0.5 IoU），表现相当于在 500 多张图像上训练的现有模型。它还在 TissueNet 上 demonstrate了优异的跨数据集泛化能力。我们发现，对少量几十个密集分布、尺寸各异的细胞进行高质量标注是实现有效分割的关键。CellSeg1 提供了一种以最小标注 effort 实现细胞分割的高效解决方案。
引用
@article{arxiv.2412.01410,
title = {CellSeg1: Robust Cell Segmentation with One Training Image},
author = {Peilin Zhou and Bo Du and Yongchao Xu},
journal= {arXiv preprint arXiv:2412.01410},
year = {2024}
}