MorphoSeg: An Uncertainty-Aware Deep Learning Method for Biomedical Segmentation of Complex Cellular Morphologies

要約

ディープラーニングは、特にセグメンテーションタスクにおいて、医療および生物学的イメージングに革命をもたらしました。
ただし、細胞の形状は変動性が高く複雑であるため、生体細胞のセグメント化は依然として困難です。
この課題に対処するには、生体細胞に見られる多様な形態を正確に表す高品質のデータセットが必要です。
既存のセル セグメンテーション データセットは、規則的で均一な形状に重点を置いているため、制限されることがよくあります。
この論文では、多能性癌細胞株である Ntera-2 (NT2) 細胞の新しいベンチマーク データセットを紹介します。Ntera-2 (NT2) 細胞は、複数の分化段階にわたって多様な形態を示し、セグメンテーション作業を複雑にする複雑で不均一な細胞構造を捕捉します。
これらの課題に対処するために、トレーニング中に尤度の低い領域からの仮想外れ値のサンプリングを組み込むことにより、複雑な細胞形態セグメンテーション (MorphoSeg) のための不確実性を認識した深層学習フレームワークを提案します。
最先端のベースラインに対する当社の包括的な実験評価により、MorphoSeg がセグメンテーションの精度を大幅に向上させ、ダイス類似係数 (DSC) が最大 7.74% 増加し、ハウスドルフ距離が 28.36% 減少することが実証されました。
これらの発見は、特に複雑で多様な細胞形態の細胞セグメンテーション機能を向上させる上で、私たちのデータセットと方法論の有効性を強調しています。
データセットとソース コードは https://github.com/RanchoGoose/MorphoSeg で公開されています。

要約(オリジナル)

Deep learning has revolutionized medical and biological imaging, particularly in segmentation tasks. However, segmenting biological cells remains challenging due to the high variability and complexity of cell shapes. Addressing this challenge requires high-quality datasets that accurately represent the diverse morphologies found in biological cells. Existing cell segmentation datasets are often limited by their focus on regular and uniform shapes. In this paper, we introduce a novel benchmark dataset of Ntera-2 (NT2) cells, a pluripotent carcinoma cell line, exhibiting diverse morphologies across multiple stages of differentiation, capturing the intricate and heterogeneous cellular structures that complicate segmentation tasks. To address these challenges, we propose an uncertainty-aware deep learning framework for complex cellular morphology segmentation (MorphoSeg) by incorporating sampling of virtual outliers from low-likelihood regions during training. Our comprehensive experimental evaluations against state-of-the-art baselines demonstrate that MorphoSeg significantly enhances segmentation accuracy, achieving up to a 7.74% increase in the Dice Similarity Coefficient (DSC) and a 28.36% reduction in the Hausdorff Distance. These findings highlight the effectiveness of our dataset and methodology in advancing cell segmentation capabilities, especially for complex and variable cell morphologies. The dataset and source code is publicly available at https://github.com/RanchoGoose/MorphoSeg.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google