CellMixer: Annotation-free Semantic Cell Segmentation of Heterogeneous Cell Populations

要約

近年、いくつかの教師なし細胞セグメンテーション手法が発表され、細胞セグメンテーショ ンモデルの学習に必要な、手間のかかるピクセルレベルの注釈を省略しようとしている。これらの手法の全てではないにせよ、そのほとんどは、細胞の種類を無視した異なる細胞インスタンスの検出に焦点を当てることで、インスタンスのセグメンテーションタスクを処理している。このようなモデルは細胞計数のような特定のタスクには適しているが、他のアプリケーションでは各細胞のタイプを識別する必要がある。本論文では、異種細胞集団のセマンティックセグメンテーションのための革新的なアノテーションフリーアプローチであるCellMixerを紹介する。この拡張に基づく手法により、同種の細胞集団の画像レベルのラベルからセグメンテーションモデルの学習が可能となる。その結果、CellMixerは複数の細胞タイプや画像モダリティにおいて競争力のあるセグメンテーション性能を達成できることが示され、この手法のスケーラビリティと、医療画像、細胞生物学、診断におけるより広範な応用の可能性が示された。

要約(オリジナル)

In recent years, several unsupervised cell segmentation methods have been presented, trying to omit the requirement of laborious pixel-level annotations for the training of a cell segmentation model. Most if not all of these methods handle the instance segmentation task by focusing on the detection of different cell instances ignoring their type. While such models prove adequate for certain tasks, like cell counting, other applications require the identification of each cell’s type. In this paper, we present CellMixer, an innovative annotation-free approach for the semantic segmentation of heterogeneous cell populations. Our augmentation-based method enables the training of a segmentation model from image-level labels of homogeneous cell populations. Our results show that CellMixer can achieve competitive segmentation performance across multiple cell types and imaging modalities, demonstrating the method’s scalability and potential for broader applications in medical imaging, cellular biology, and diagnostics.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL