AnyStar: Segmentación de la instancia 3D de estrella convexa de dominio aleatorio

Área de la Ciencia:

• Análisis de imágenes biomédicas
• Visión por computadora
• Imágenes médicas

Sus antecedentes:

• Las formas convexas de estrellas como núcleos y nódulos son comunes en bio-microscopia y radiología.
• Los métodos actuales de segmentación de instancias requieren anotaciones extensas específicas del conjunto de datos, lo que dificulta su amplia aplicabilidad.
• La adaptación de modelos a nuevos conjuntos de datos o modalidades de imagen requiere una reingeniería significativa debido a las variaciones en las propiedades de imagen.

Objetivo del estudio:

• Desarrollar una red de segmentación de instancias de propósito general para formas convexas de estrellas.
• Para superar las limitaciones de la anotación manual y la adaptación del modelo específico del dominio.
• Crear un método robusto aplicable a diversos conjuntos de datos de imágenes biológicas y médicas.

Principales métodos:

• Se introdujo AnyStar, un modelo generativo aleatorio de dominio para sintetizar datos de entrenamiento realistas.
• Objetos simulados con apariencia aleatoria, entornos y física de imágenes.
• Entrenó una red de segmentación de instancia única en los datos sintéticos generados.

Principales resultados:

• Las redes entrenadas con AnyStar se generalizan a conjuntos de datos no vistos sin reentrenamiento o ajuste fino.
• Se logró una segmentación precisa en 3D de núcleos (C. elegans, P. dumerilii, corteza de ratón, cerebro de pez cebra) y cotiledones placentarios (IRM fetal humana).
• Demostró un rendimiento robusto en las modalidades de microscopía de fluorescencia, micro-CT, EM y MRI.

Conclusiones:

• El enfoque de datos sintéticos de AnyStar permite el desarrollo de redes de segmentación de instancias versátiles.
• El método reduce significativamente la necesidad de anotación manual y adaptación de dominio.
• Este enfoque es prometedor para el avance del análisis automatizado en bio-microscopia y radiología.