YOLO2U-Net: Detection-Guided 3D Instance Segmentation for Microscopy

要約

顕微鏡イメージング技術は、生物学的構造の特性評価と分析に役立ちます。
これらの手法は通常、2D投影を積み重ねることによって細胞の3D視覚化をレンダリングするため、面外励起や$ z $軸の低解像度などの問題により、3Dボリューム内の個々の細胞を次のように検出することが困難になる場合があります。
これらの重複しないセルは、重複しているように見える場合があります。
この作業では、脳組織内の細胞の正確な3Dインスタンスセグメンテーションのための包括的な方法を紹介します。
提案された方法は、2D YOLO検出法とマルチビュー融合アルゴリズムを組み合わせて、細胞の3Dローカリゼーションを構築します。
次に、データボリュームとともに3Dバウンディングボックスが3D U-Netネットワークに入力されます。このネットワークは、各3Dバウンディングボックスのプライマリセルをセグメント化し、ボリューム全体のセルのインスタンスセグメンテーションを実行するように設計されています。
提案された方法の有望なパフォーマンスは、いくつかの現在の深層学習ベースの3Dインスタンスセグメンテーション方法と比較して示されています。

要約(オリジナル)

Microscopy imaging techniques are instrumental for characterization and analysis of biological structures. As these techniques typically render 3D visualization of cells by stacking 2D projections, issues such as out-of-plane excitation and low resolution in the $z$-axis may pose challenges (even for human experts) to detect individual cells in 3D volumes as these non-overlapping cells may appear as overlapping. In this work, we introduce a comprehensive method for accurate 3D instance segmentation of cells in the brain tissue. The proposed method combines the 2D YOLO detection method with a multi-view fusion algorithm to construct a 3D localization of the cells. Next, the 3D bounding boxes along with the data volume are input to a 3D U-Net network that is designed to segment the primary cell in each 3D bounding box, and in turn, to carry out instance segmentation of cells in the entire volume. The promising performance of the proposed method is shown in comparison with some current deep learning-based 3D instance segmentation methods.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google