Benchmarking the Cell Image Segmentation Models Robustness under the Microscope Optical Aberrations

要約

細胞のセグメンテーションは、細胞の形態や挙動を分析するための生物医学研究において不可欠です。
深層学習手法、特に畳み込みニューラル ネットワーク (CNN) は、画像から複雑な特徴を抽出することで細胞のセグメンテーションに革命をもたらしました。
ただし、顕微鏡の光学収差に対するこれらの方法の堅牢性は依然として重要な課題です。
この研究では、DynamicNuclearNet (DNN) および LIVECell データセットを使用して、シミュレートされた収差条件下でのセル インスタンス セグメンテーション モデルのパフォーマンスを包括的に評価します。
非点収差、コマ収差、球面収差、トレフォイルなどの収差は、ゼルニケ多項式を使用してシミュレートされました。
さまざまなネットワーク ヘッド (FPN、C3) とバックボーン (ResNet、VGG19、SwinS) を備えたマスク R-CNN などのさまざまなセグメンテーション モデルが、異常な条件下でトレーニングおよびテストされました。
結果は、SwinS と組み合わせた FPN が、軽微な収差の影響を受ける単純な細胞画像の処理において優れた堅牢性を実証することを示しています。
逆に、Cellpose2.0 は同様の条件下での複雑な細胞画像に効果的であることがわかります。
私たちの発見は、細胞形態と異常重症度に基づいて適切なセグメンテーション モデルを選択するための洞察を提供し、生物医学用途における細胞セグメンテーションの信頼性を高めます。
さまざまな種類の収差と新しいセグメンテーション モデルを使用してこれらの方法を検証するには、さらなる研究が必要です。
全体として、この研究は、軽微な光学収差が存在する場合でも細胞セグメンテーション モデルを効果的に利用する際に研究者を導くことを目的としています。

要約(オリジナル)

Cell segmentation is essential in biomedical research for analyzing cellular morphology and behavior. Deep learning methods, particularly convolutional neural networks (CNNs), have revolutionized cell segmentation by extracting intricate features from images. However, the robustness of these methods under microscope optical aberrations remains a critical challenge. This study comprehensively evaluates the performance of cell instance segmentation models under simulated aberration conditions using the DynamicNuclearNet (DNN) and LIVECell datasets. Aberrations, including Astigmatism, Coma, Spherical, and Trefoil, were simulated using Zernike polynomial equations. Various segmentation models, such as Mask R-CNN with different network heads (FPN, C3) and backbones (ResNet, VGG19, SwinS), were trained and tested under aberrated conditions. Results indicate that FPN combined with SwinS demonstrates superior robustness in handling simple cell images affected by minor aberrations. Conversely, Cellpose2.0 proves effective for complex cell images under similar conditions. Our findings provide insights into selecting appropriate segmentation models based on cell morphology and aberration severity, enhancing the reliability of cell segmentation in biomedical applications. Further research is warranted to validate these methods with diverse aberration types and emerging segmentation models. Overall, this research aims to guide researchers in effectively utilizing cell segmentation models in the presence of minor optical aberrations.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google