在全卷积网络中引入形态学信息以改进荧光显微图像中的细胞实例分割
计算机视觉与模式识别
2021-06-11 v1
摘要
荧光显微图像中的细胞实例分割正成为癌症动力学与预后评估的关键。从癌症动力学中提取的数据有助于理解并精确建模诸如增殖等不同的代谢过程。这使得定制化且更精确的癌症治疗成为可能。然而，对于进一步的细胞追踪与行为分析所必需的准确细胞实例分割，在细胞高浓度与边缘重叠的场景下仍具挑战性。在此框架下，我们提出一种基于知名 U-Net 架构的新型细胞实例分割方法。为强化逐像素形态学信息的学习，深度距离变换器(DDT)充当骨干模型。随后将 DDT 输出用于训练顶层模型。所考虑的顶层模型包括：三类(例如前景、背景与细胞边界)U-net，以及分水岭变换。所得结果表明相较传统 U-Net 架构性能有所提升。这开辟了围绕向全卷积模型注入形态学信息这一思路的有趣研究路线。
引用
@article{arxiv.2106.05843,
title = {Enforcing Morphological Information in Fully Convolutional Networks to Improve Cell Instance Segmentation in Fluorescence Microscopy Images},
author = {Willard Zamora-Cardenas and Mauro Mendez and Saul Calderon-Ramirez and Martin Vargas and Gerardo Monge and Steve Quiros and David Elizondo and David Elizondo and Miguel A. Molina-Cabello},
journal= {arXiv preprint arXiv:2106.05843},
year = {2021}
}
备注
Accepted at the IWANN 2021 (International Work-Conference on Artificial and Natural Neural Networks)