用于拥挤细胞实例分割的多类加权损失

我们提出一种新的多类加权损失函数，用于拥挤细胞的实例分割。我们的主要动机源于发育生物学家对量化和建模血液T细胞行为的需求，这可能有助于理解其调控机制，并最终助力研究者开发有效的免疫疗法癌症治疗。在拥挤区域分割相互接触的个体细胞具有挑战性，因为共享边界与细胞前景上的特征分布相似，从而难以将像素判别为恰当的类别。我们提出两种应用于加权交叉熵损失函数的新型权重图，其同时考虑类不平衡与细胞几何。二值真值训练数据被扩充，使学习模型不仅能处理前景与背景，还能处理第三类接触类。该框架允许使用U-Net进行训练。我们的公式实验相较于其他类似方案展现出更优结果，在边界充分性与实例检测上显著优于二值类模型。我们在人工标注的T细胞显微镜图像上验证了结果。