Implicit Neural Representations for Generative Modeling of Living Cell Shapes

要約

リアルな細胞形状の合成を可能にする手法は、バイオメディカル画像における細胞追跡やセグメンテーションを改善するためのトレーニングデータセットの生成に役立つ。細胞形状合成のための深い生成モデルには、軽量で柔軟な細胞形状の表現が必要である。しかし、一般的に用いられるボクセルベースの表現は高解像度の形状合成には不向きであり、ポリゴンメッシュは細胞の成長や有糸分裂などのトポロジー変化をモデル化する際には限界がある。本研究では、符号付き距離関数（SDF）のレベルセットを用いて、細胞の形状を表現することを提案する。3D+時間領域内の任意の点におけるSDF値の暗黙の神経表現として、ニューラルネットワークを最適化する。このモデルは潜在的なコードに条件付けされるため、新しい未知の形状シーケンスの合成を可能にする。我々は、成長・分裂する線虫細胞と、複雑な糸状突起が成長する肺がん細胞で、我々のアプローチを定量的・定性的に検証した。その結果、合成細胞の形状記述子は実際の細胞の形状記述子と類似しており、我々のモデルはトポロジー的に妥当な複雑な細胞形状のシーケンスを3D+timeで生成できることが示された。

要約(オリジナル)

Methods allowing the synthesis of realistic cell shapes could help generate training data sets to improve cell tracking and segmentation in biomedical images. Deep generative models for cell shape synthesis require a light-weight and flexible representation of the cell shape. However, commonly used voxel-based representations are unsuitable for high-resolution shape synthesis, and polygon meshes have limitations when modeling topology changes such as cell growth or mitosis. In this work, we propose to use level sets of signed distance functions (SDFs) to represent cell shapes. We optimize a neural network as an implicit neural representation of the SDF value at any point in a 3D+time domain. The model is conditioned on a latent code, thus allowing the synthesis of new and unseen shape sequences. We validate our approach quantitatively and qualitatively on C. elegans cells that grow and divide, and lung cancer cells with growing complex filopodial protrusions. Our results show that shape descriptors of synthetic cells resemble those of real cells, and that our model is able to generate topologically plausible sequences of complex cell shapes in 3D+time.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL