投影增强网络（PEN）
计算机视觉与模式识别
2023-01-27 v1 定量方法
摘要
细胞科学中实例分割的当代方法根据实验和数据结构使用 2D 或 3D 卷积网络。然而，显微镜系统的限制或为预防光毒性所做的努力通常要求记录次优采样的数据体制，这极大降低了此类 3D 数据的效用，尤其在物体间存在显著轴向重叠的拥挤环境中。在此类体制下，2D 分割对细胞形态更可靠且更易标注。在本工作中，我们提出投影增强网络（PEN），一种新颖的卷积模块，其处理次采样 3D 数据并生成 2D RGB 语义压缩，并与任选的实例分割网络联合训练以产生 2D 分割。我们的方法结合增强技术，利用低密度细胞图像数据集增加细胞密度来训练 PEN，并使用精选数据集评估 PEN。我们表明，借助 PEN，CellPose 中学习到的语义表示编码了深度，并与最大强度投影图像作为输入相比极大提升了分割性能，但并未类似地辅助如 Mask-RCNN 等基于区域的网络中的分割。最后，我们在并排球体衍生的弥散细胞上剖析了 PEN 与 CellPose 针对细胞密度的分割能力。我们将 PEN 提出为一种数据驱动的解决方案，用于形成 3D 数据的压缩表示，从而改善实例分割网络的 2D 分割。
引用
@article{arxiv.2301.10877,
title = {The Projection-Enhancement Network (PEN)},
author = {Christopher Z. Eddy and Austin Naylor and Bo Sun},
journal= {arXiv preprint arXiv:2301.10877},
year = {2023}
}
备注
Main text: 14 pages, 5 figures; Supplementary text: 4 pages, 2 figures