用于基于广义免疫荧光的核图像分割的深度学习架构
计算机视觉与模式识别
2021-08-11 v1 机器学习
组织与器官
摘要
分离并标注每个细胞核实例（实例感知分割）是荧光显微镜图像上单细胞细胞核分割的关键挑战。深度神经网络可以学习核图像到指示每个像素类别归属（细胞核或背景）的概率图的隐式变换，但使用后处理步骤将概率图转为标注目标掩码容易出错。这对于组织切片的核图像以及不同组织制备下的核图像尤其如此。本工作中，我们旨在评估最先进的深度学习架构在各种组织来源和样本制备类型的荧光图像中无需后处理地分割细胞核的性能。我们比较了基于像素到像素翻译的架构和基于目标检测及后续局部应用的分割的架构。此外，我们提出了一种创建人工图像以扩展训练集的新策略。我们评估了真值标注质量、图像尺度和分割复杂度对分割性能的影响。结果表明，四种深度学习架构中的三种（U-Net、带 ResNet34 主干的 U-Net、Mask R-CNN）能在大多数样本制备类型和组织来源上以令人满意的分割性能分割荧光核图像。专为实例感知分割任务设计的 Mask R-CNN 优于其他架构。相等的核平均尺寸、一致的核标注以及使用人工生成的图像在不同组织和样本制备类型上带来了总体可接受的精确率和召回率。
引用
@article{arxiv.1907.12975,
title = {Deep Learning architectures for generalized immunofluorescence based nuclear image segmentation},
author = {Florian Kromp and Lukas Fischer and Eva Bozsaky and Inge Ambros and Wolfgang Doerr and Sabine Taschner-Mandl and Peter Ambros and Allan Hanbury},
journal= {arXiv preprint arXiv:1907.12975},
year = {2021}
}
备注
10 pages + 3 supplementary pages