Enhancing Cell Instance Segmentation in Scanning Electron Microscopy Images via a Deep Contour Closing Operator

要約

SEM 画像内の細胞を正確にセグメント化し、個別化することは、腫瘍学における組織構造を解明するための非常に有望な技術です。
現在の AI ベースの方法は効果的ですが、エラーが残り、特に画像内の細胞の輪郭の品質が低く、ギャップを埋める必要がある領域では、時間のかかる手動修正が必要になります。
この研究では、SEM 画像におけるインスタンスベースの細胞セグメンテーションを改善するために細胞境界描写を改良するための新しい AI 駆動のアプローチを紹介し、残りの手動補正の必要性も減らします。
CNN COp-Net は、細胞の輪郭のギャップに対処するために導入されており、情報が欠落しているか欠落している領域を効果的に埋めます。
ネットワークは、潜在的に不適切または欠落している情報を含むセル輪郭確率マップを入力として受け取り、修正されたセル輪郭描写を出力します。
トレーニング データの不足は、調整された PDE を使用して整合性の低い確率マップを生成することで解決されました。
PDX 肝芽腫組織からのプライベート SEM 画像と公的にアクセス可能な画像データセットの両方を使用して、細胞境界の精度を向上させるアプローチの有効性を紹介します。
提案されたセル輪郭閉鎖演算子は、テストされたデータセットで顕著な改善を示し、最先端の方法と比較して、正確に描写されたセルの割合がそれぞれ 50% (プライベート データ) および 10% (パブリック データ) 近く増加しました。
さらに、手動修正の必要性が大幅に減少したため、デジタル化プロセス全体が容易になりました。
私たちの結果は、特に画質が細胞境界の完全性を損ない、ギャップ充填が必要となる非常に困難な領域において、細胞インスタンスのセグメンテーションの精度が顕著に向上していることを示しています。
したがって、私たちの研究は最終的には腫瘍切除術分野における腫瘍組織バイオアーキテクチャの研究を促進するはずです。

要約(オリジナル)

Accurately segmenting and individualizing cells in SEM images is a highly promising technique for elucidating tissue architecture in oncology. While current AI-based methods are effective, errors persist, necessitating time-consuming manual corrections, particularly in areas where the quality of cell contours in the image is poor and requires gap filling. This study presents a novel AI-driven approach for refining cell boundary delineation to improve instance-based cell segmentation in SEM images, also reducing the necessity for residual manual correction. A CNN COp-Net is introduced to address gaps in cell contours, effectively filling in regions with deficient or absent information. The network takes as input cell contour probability maps with potentially inadequate or missing information and outputs corrected cell contour delineations. The lack of training data was addressed by generating low integrity probability maps using a tailored PDE. We showcase the efficacy of our approach in augmenting cell boundary precision using both private SEM images from PDX hepatoblastoma tissues and publicly accessible images datasets. The proposed cell contour closing operator exhibits a notable improvement in tested datasets, achieving respectively close to 50% (private data) and 10% (public data) increase in the accurately-delineated cell proportion compared to state-of-the-art methods. Additionally, the need for manual corrections was significantly reduced, therefore facilitating the overall digitalization process. Our results demonstrate a notable enhancement in the accuracy of cell instance segmentation, particularly in highly challenging regions where image quality compromises the integrity of cell boundaries, necessitating gap filling. Therefore, our work should ultimately facilitate the study of tumour tissue bioarchitecture in onconanotomy field.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google