基于残差注意力 U-Net 与边缘增强方法的分割保留细胞形状特征
定量方法
2020-01-17 v1 计算机视觉与模式识别
图像与视频处理
摘要
在活体单细胞中外推基因表达动态需要对细胞进行稳健的分割，其挑战之一是细胞边界呈无定形或不规则形状。为解决此问题，我们改进了 U-Net 架构以分割荧光宽场显微镜图像中的细胞，并定量评估了其性能。我们还提出了一种新颖的损失函数方法，强调细胞边界上的分割精度并鼓励形状特征保留。在 97% 灵敏度、93% 特异度、91% Jaccard 相似度和 95% Dice 系数下，我们提出的方法——带边缘增强的残差注意力 U-Net（Residual Attention U-Net with edge-enhancement）——在传统指标评估下超越了最先进的 U-Net 分割性能。更显著的是，同一候选方法在宝贵形状特征（即面积、偏心率、长轴长度、坚实度和方向）的保留方面也表现最佳。这些形状特征保留上的改进可作为下游细胞追踪及随时间变化的细胞统计量或特征量化中的有用资产。
引用
@article{arxiv.2001.05548,
title = {Segmentation with Residual Attention U-Net and an Edge-Enhancement Approach Preserves Cell Shape Features},
author = {Nanyan Zhu and Chen Liu and Zakary S. Singer and Tal Danino and Andrew F. Laine and Jia Guo},
journal= {arXiv preprint arXiv:2001.05548},
year = {2020}
}
备注
7 pages, 4 figures, 1 table. Nanyan Zhu and Chen Liu share equal contribution and are listed as co-first authors