DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images

要約

自動化された全体のスライドスキャンの進歩によって駆動されるデジタル顕微鏡画像の増殖は、生物医学研究と臨床診断の重要な機会を提供します。
ただし、これらの画像で密に詰め込まれた情報を正確に注釈することは大きな課題です。
これに対処するために、Archetypeマッチングと画像登録タスクの組み合わせとしてセルアノテーションを再構成する新しいフレームワークであるDiffKillrを紹介します。
diffkillrは、2つの相補的なニューラルネットワークを採用しています。1つは、堅牢なセルマッチングのための違いのない特徴空間を学習し、もう1つは注釈マッピングのためのセル間の正確な歪みフィールドを計算するものです。
注釈付きのアーキタイプの小さなセットを使用して、diffkillrは大きな顕微鏡画像全体で注釈を効率的に伝播し、広範なマニュアルラベル付けの必要性を減らします。
さらに重要なことは、あらゆる種類のピクセルレベルの注釈に適していることです。
diffkillrの理論的特性について説明し、3つの顕微鏡タスクでそれを検証し、既存の監視、半監視、および監視なしの方法に対する利点を示します。
このコードは、https：//github.com/krishnaswamylab/diffkillrで入手できます。

要約(オリジナル)

The proliferation of digital microscopy images, driven by advances in automated whole slide scanning, presents significant opportunities for biomedical research and clinical diagnostics. However, accurately annotating densely packed information in these images remains a major challenge. To address this, we introduce DiffKillR, a novel framework that reframes cell annotation as the combination of archetype matching and image registration tasks. DiffKillR employs two complementary neural networks: one that learns a diffeomorphism-invariant feature space for robust cell matching and another that computes the precise warping field between cells for annotation mapping. Using a small set of annotated archetypes, DiffKillR efficiently propagates annotations across large microscopy images, reducing the need for extensive manual labeling. More importantly, it is suitable for any type of pixel-level annotation. We will discuss the theoretical properties of DiffKillR and validate it on three microscopy tasks, demonstrating its advantages over existing supervised, semi-supervised, and unsupervised methods. The code is available at https://github.com/KrishnaswamyLab/DiffKillR.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google