A General Deep Learning framework for Neuron Instance Segmentation based on Efficient UNet and Morphological Post-processing

要約

最近の研究では、医用画像解析、特に多くの生物学的研究の基本的なステップである細胞インスタンスのセグメンテーションにおけるディープラーニングの優位性が実証されています。
ただし、ニューラル ネットワークの優れたパフォーマンスには、大規模で偏りのないデータセットと注釈に関するトレーニングが必要であり、これには労力と専門知識が必要です。
この論文では、ポイント アノテーションのみを使用して、組織画像上の NeuN 染色神経細胞を自動的に検出およびセグメント化するためのエンド ツー エンドのフレームワークを紹介します。
ポイントアノテーションを使用した従来の核セグメンテーションとは異なり、ポイントアノテーションとバイナリセグメンテーションを使用してピクセルレベルのアノテーションを合成することを提案します。
合成マスクは、最先端のネットワーク EfficientNet をエンコーダとして使用する U-Net のようなアーキテクチャであるニューラル ネットワークをトレーニングするためのグラウンド トゥルースとして使用されます。
検証結果は、他の最近の方法と比較して、私たちのモデルの優位性を示しています。
さらに、複数の後処理スキームを調査し、究極の侵食と動的再構成を使用して確率マップをセグメント化されたインスタンスに変換する独自の戦略を提案しました。
このアプローチは構成が簡単で、他の従来の後処理手法よりも優れています。
この作業は、光学顕微鏡データを使用してニューロンを分析するための堅牢で効率的なフレームワークを開発することを目的としています。これは、前臨床生物学的研究、より具体的には神経変性疾患のコンテキストで使用できます。

要約(オリジナル)

Recent studies have demonstrated the superiority of deep learning in medical image analysis, especially in cell instance segmentation, a fundamental step for many biological studies. However, the excellent performance of the neural networks requires training on large, unbiased dataset and annotations, which is labor-intensive and expertise-demanding. This paper presents an end-to-end framework to automatically detect and segment NeuN stained neuronal cells on histological images using only point annotations. Unlike traditional nuclei segmentation with point annotation, we propose using point annotation and binary segmentation to synthesize pixel-level annotations. The synthetic masks are used as the ground truth to train the neural network, a U-Net-like architecture with a state-of-the-art network, EfficientNet, as the encoder. Validation results show the superiority of our model compared to other recent methods. In addition, we investigated multiple post-processing schemes and proposed an original strategy to convert the probability map into segmented instances using ultimate erosion and dynamic reconstruction. This approach is easy to configure and outperforms other classical post-processing techniques. This work aims to develop a robust and efficient framework for analyzing neurons using optical microscopic data, which can be used in preclinical biological studies and, more specifically, in the context of neurodegenerative diseases.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google