细胞分割模型的自监督预训练
计算机视觉与模式识别
2026-04-14 v1 定量方法
摘要
实例分割通过识别每个细胞所属像素，实现对显微镜图像中细胞在空间和时间上的属性进行分析。然而，由于高质量标注显微镜数据稀缺，进展受到限制。许多近期方法通过初始化来自大规模自然图像模型（如 Segment Anything Model, SAM）的分割预训练权重来解决此挑战。然而，来自自然图像学习的表征常编码对象性和纹理先验，这些先验与显微镜数据对齐不良，导致在域迁移下性能下降。我们提出 DINOCell，一种用于细胞实例分割的自监督框架，利用 DINOv2 的表征并通过在无标签细胞图像上继续自监督训练来适应显微镜数据，随后进行监督微调。在 LIVECell 数据集上，DINOCell 实现 SEG 分数 0.784，相较于领先的基于 SAM 的模型提升 10.42%，并在三个零样本外分布显微镜数据集上显示出强大的零样本性能。这些结果凸显了针对鲁棒细胞分割的域适应自监督预训练的优势。
引用
@article{arxiv.2604.10609,
title = {Self-supervised Pretraining of Cell Segmentation Models},
author = {Kaden Stillwagon and Alexandra Dunnum VandeLoo and Benjamin Magondu and Craig R. Forest},
journal= {arXiv preprint arXiv:2604.10609},
year = {2026}
}
备注
14 pages, 6 figures