NOISe: 面向小鼠到人类领域迁移的细胞核感知破骨细胞实例分割
计算机视觉与模式识别
2024-04-17 v1
摘要
破骨细胞图像分析在骨质疏松症研究中起着关键作用，但通常需要训练有素的专家进行大量手动图像处理和手工标注。在过去几年中，已经开发了少数几种用于破骨细胞图像分析的机器学习方法，但没有一种方法解决了产生与人类专家主导过程相同输出所需的完整实例分割任务。此外，之前的所有全自动算法都没有公开可用的代码、预训练模型或标注数据集，阻碍了其工作的复现和扩展。我们提出了一个新的数据集，包含约2×10^5个专家标注的小鼠破骨细胞掩膜，以及一种深度学习实例分割方法，该方法既适用于塑料组织培养板上的体外小鼠破骨细胞，也适用于骨片上的人类破骨细胞。据我们所知，这是第一个自动化完整破骨细胞实例分割任务的工作。我们的方法在小鼠破骨细胞的交叉验证中达到了0.82 mAP_0.5（交并比阈值为0.5时的平均精度均值）的性能。我们提出了一种基于破骨细胞独特生物学特性的新型细胞核感知破骨细胞实例分割训练策略（NOISe），以提高模型的泛化能力，并将人类破骨细胞的mAP_0.5从0.60提升到0.82。我们在github.com/michaelwwan/noise上发布了我们标注的小鼠破骨细胞图像数据集、实例分割模型和代码，以实现可复现性，并提供加速骨质疏松症研究的公共工具。
引用
@article{arxiv.2404.10130,
title = {NOISe: Nuclei-Aware Osteoclast Instance Segmentation for Mouse-to-Human Domain Transfer},
author = {Sai Kumar Reddy Manne and Brendan Martin and Tyler Roy and Ryan Neilson and Rebecca Peters and Meghana Chillara and Christine W. Lary and Katherine J. Motyl and Michael Wan},
journal= {arXiv preprint arXiv:2404.10130},
year = {2024}
}