基于标量场表示的单张量细胞分割

我们从标量场的视角研究细胞图像的分割。我们的目标是学习在图像域上定义的连续标量场，使得其分割能够为图像中出现的细胞实例产生稳健的结果。该场由训练好的网络参数化为一个函数，其分割通过水位法实现。我们实验的场是泊松偏微分方程的解以及模仿热方程稳态解的扩散。这些解通过仅最小化场残差获得，不需要正则化，提供了一种稳健的回归方法，可减轻训练数据中异常值的不利影响，并允许细胞边界锐利。仅需一个张量即可训练一个 UNet，从而简化实现、降低训练和推理时间，减少能源消耗，并占用较小的内存 footprint，这些都是边缘计算中吸引人的特性。我们在文献中公开的数据集上呈现出竞争性的结果，展示我们新颖、简单却富有几何洞察力的方法能够实现优异的细胞分割结果。