用于显微镜三维目标检测与分割的星凸多面体

在体积（三维）荧光显微镜数据集中准确检测与分割细胞核是许多生物医学研究项目中的重要步骤。尽管针对这些任务已存在许多自动化方法，但它们常常在信噪比低和/或细胞核密集堆积的图像上表现不佳。最近针对二维显微镜图像的研究表明，通过训练神经网络直接预测适用于细胞核的形状表示（星凸多边形）可缓解这些问题。在本文中，我们采用并将该方法扩展到三维体数据，使用星凸多面体来表示细胞核及类似形状。为此，我们克服了以下挑战：1）寻找能够忠实描述细胞核形状且参数高效的星凸多面体表示；2）适应荧光显微镜数据集中常见的各向异性体素尺寸；3）高效计算星凸多面体两两之间的交集（非极大值抑制所需）。尽管我们的方法相当通用，因为星凸多面体将边界框和球体等常见形状作为特例包含在内，但我们的重点在于细胞核的准确检测与分割。最后，我们在两个具有挑战性的数据集上证明，与基于经典方法和深度学习的方法相比，我们的方法（StarDist-3D）取得了更优的结果。