YOLO2U-Net：面向显微成像的检测引导三维实例分割
图像与视频处理
2023-02-16 v1 计算机视觉与模式识别
细胞行为
摘要
显微成像技术对于生物结构的表征和分析至关重要。由于这些技术通常通过对二维投影进行堆叠来实现细胞的三维可视化，诸如离面激发和 轴低分辨率等问题可能带来挑战（即使对于人类专家而言），使得在三维体数据中检测单个细胞变得困难，因为这些非重叠细胞可能表现为重叠。在本工作中，我们提出了一种用于脑组织中细胞精确三维实例分割的综合方法。所提方法将二维 YOLO 检测方法与多视角融合算法相结合，以构建细胞的三维定位。接下来，将三维边界框与数据体一同输入到一个三维 U-Net 网络，该网络设计用于分割每个三维边界框中的主要细胞，进而实现整个体数据中细胞的实例分割。与当前一些基于深度学习的三维实例分割方法相比，所提方法展现出了有前景的性能。
引用
@article{arxiv.2207.06215,
title = {YOLO2U-Net: Detection-Guided 3D Instance Segmentation for Microscopy},
author = {Amirkoushyar Ziabari and Derek C. Rose and Abbas Shirinifard and David Solecki},
journal= {arXiv preprint arXiv:2207.06215},
year = {2023}
}