用于非模态卵裂球实例分割的矢量量化形状码学习

卵裂球实例分割对于分析胚胎异常十分重要。为精确测量卵裂球的形状和大小，有必要对其进行非模态分割。非模态实例分割旨在即使物体未完全可见时也恢复其完整轮廓。对于每一个检测到的物体，先前方法直接从输入特征回归目标掩码。然而，处于不同遮挡程度下的同一物体图像应具有相同的非模态掩码输出，这使得回归模型更难训练。为缓解该问题，我们提议将输入特征分类为中间形状码，并从中恢复完整物体形状。首先，我们预训练矢量量化变分自编码器（VQ-VAE）模型以从真值非模态掩码中学习这些离散形状码。然后，我们将VQ-VAE模型与一个额外的细化模块整合进非模态实例分割流程。我们还检测遮挡图以将遮挡信息与骨干特征融合。如此，我们的网络可忠实检测非模态物体的边界框。在一个内部胚胎细胞图像基准上，所提方法优于先前最先进（SOTA）方法。为展示泛化性，我们给出了在公开KINS自然图像基准上的分割结果。为检验所学形状码与模型设计选择，我们在简单叠加形状的合成数据集上进行了消融研究。我们的方法可实现IVF诊所中卵裂球的精确测量，并有可能提高体外受精（IVF）成功率。