CyclePose：利用循环一致性实现荧光显微镜中无标注细胞核分割
计算机视觉与模式识别
2025-04-16 v2
摘要
近年来，专门为显微图像中细胞核实例分割设计的神经网络架构大量涌现。这些模型嵌入了细胞核特定的先验知识，性能优于 U-Net 等通用架构；然而，它们需要大量标注数据集，而这通常难以获取。生成模型（GAN、扩散模型）已被用于通过合成训练数据来弥补这一不足。这种两阶段方法计算成本高昂，因为需要先训练生成模型，再训练分割模型。我们提出 CyclePose，一个融合合成数据生成与分割训练的混合框架。CyclePose 基于 CycleGAN 架构，允许在显微图像与分割掩码之间进行非配对转换。我们将分割模型嵌入 CycleGAN，并利用循环一致性损失进行自监督。在无标注数据的情况下，CyclePose 在两个公开数据集上优于其他弱监督或无监督方法。代码可在 https://github.com/jonasutz/CyclePose 获取。
引用
@article{arxiv.2503.11266,
title = {CyclePose -- Leveraging Cycle-Consistency for Annotation-Free Nuclei Segmentation in Fluorescence Microscopy},
author = {Jonas Utz and Stefan Vocht and Anne Tjorven Buessen and Dennis Possart and Fabian Wagner and Mareike Thies and Mingxuan Gu and Stefan Uderhardt and Katharina Breininger},
journal= {arXiv preprint arXiv:2503.11266},
year = {2025}
}
备注
under review for MICCAI 2025