Implicit Neural Representations for Generative Modeling of Living Cell Shapes

要約

現実的な細胞形状の合成を可能にする方法は、生物医学画像における細胞追跡と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を生成するのに役立つ可能性があります。
細胞形状合成のための深い生成モデルには、細胞形状の軽量で柔軟な表現が必要です。
ただし、一般的に使用さ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適切であり、ポリゴンメッシュには、細胞の成長や有糸分裂などのトポロジーの変化をモデル化する際の制限があります。
この作業では、セルの形状を表すために符号付き距離関数（SDF）のレベルセットを使用することを提案します。
ニューラルネットワークを、3D+時間領域の任意の時点でのSDF値の暗黙的なニューラル表現として最適化します。
モデルは潜在的なコードを条件としているため、新しい形状シーケンスと見えない形状シーケンスの合成が可能になります。
成長および分裂するC.elegans細胞、および複雑な糸状仮足突起が成長している肺癌細胞について、私たちのアプローチを定量的および定性的に検証します。
私たちの結果は、人工細胞の形状記述子が実際の細胞の形状記述子に似ていること、および私たちのモデルが3D+時間で複雑な細胞形状のトポロジー的にもっともらしいシーケンスを生成できることを示しています。

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, Google