骨架引导的实例分离用于显微镜图像细粒度分割
计算机视觉与模式识别
2024-01-22 v2
摘要
显微镜 (MS) 图像分析的基本挑战之一是实例分割 (IS)，特别是在分割簇区域时，其中多个不同大小和形状的物体可能以任意方向连接甚至重叠。现有的 IS 方法通常无法处理此类场景，因为它们依赖于关键点和水平台式边界框 (h-bboxes) 等粗略实例表示。在本文中，我们提出了一种名为 A2B-IS 的新型单阶段框架，以应对这一挑战并提高 MS 图像中 IS 的准确性。我们的方法使用像素级掩膜图和旋转边界框 (r-bbox) 来表示每个实例。与使用框提议进行分割的两阶段方法不同，我们的方法解耦了掩膜和框预测，实现了同步处理以简化模型流程。此外，我们引入了一种高斯骨架图，通过两种关键方式辅助 IS 任务：(1) 它引导锚点放置，在降低计算成本的同时，通过过滤背景区域噪声提高了模型学习 RoI 感知特征的能力。(2) 它通过校正实例边界附近的错误框预测，确保密集排列实例的准确隔离。为了进一步提升性能，我们在框架中集成了两个模块：(1) 一个旨在提取具有细粒度多尺度信息的高分辨率特征图的空洞注意力块 (A2B)；(2) 一种利用标记和未标记图像进行模型训练的半监督学习 (SSL) 策略。我们的方法已在两个大规模 MS 数据集上得到充分验证，证明了其优于大多数最先进 (SOTA) 方法。
引用
@article{arxiv.2401.09895,
title = {Skeleton-Guided Instance Separation for Fine-Grained Segmentation in Microscopy},
author = {Jun Wang and Chengfeng Zhou and Zhaoyan Ming and Lina Wei and Xudong Jiang and Dahong Qian},
journal= {arXiv preprint arXiv:2401.09895},
year = {2024}
}