EfficientCellSeg：基于上下文感知伪着色的高效体素细胞分割
图像与视频处理
2022-11-29 v2 计算机视觉与模式识别
摘要
荧光显微镜图像中的体素细胞分割对于研究多种细胞过程十分重要。其应用范围从癌细胞分析到胚胎阶段细胞的行为研究。与其他计算机视觉领域一样，近期大多数方法使用大型卷积神经网络（CNN）或视觉 Transformer 模型（ViT）。由于应用中可用的三维显微镜图像数量通常有限，我们采取不同思路，引入了一种用于体素细胞分割的小型 CNN。与以往用于细胞分割的 CNN 模型相比，我们的模型高效且具有非对称编解码器结构，解码器中参数极少。通过迁移学习进一步提升了训练效率。此外，我们引入了上下文感知伪着色（Context Aware Pseudocoloring），在以切片方式执行体素细胞分割时利用三维图像 z 方向的空间上下文。我们使用来自细胞追踪挑战赛细胞分割基准的不同三维数据集评估了我们的方法。我们的分割方法取得了排名前列的结果，而我们的 CNN 模型参数数量比其他排名前列的方法最多低 25 倍。代码与预训练模型见：https://github.com/roydenwa/efficient-cell-seg
引用
@article{arxiv.2204.03014,
title = {EfficientCellSeg: Efficient Volumetric Cell Segmentation Using Context Aware Pseudocoloring},
author = {Royden Wagner and Karl Rohr},
journal= {arXiv preprint arXiv:2204.03014},
year = {2022}
}
备注
Accepted at MIDL 2022 (Oral); Updated link to challenge submission