注意引导的残留U-Net与SE连接和ASPP用于基于流域的细胞细分在显微镜图像中的细分
Jovial Niyogisubizo1,2, Keliang Zhao1,2, Jintao Meng1
1Shenzhen Key Laboratory of Intelligent Bioinformatics and Center for High Performance Computing, Shenzhen Institute of Advanced Technology, Chinese Academy of Sciences, Shenzhen, China.
概括
我们开发了RA-SE-ASPP-Net,这是一种用于显微镜图像中自动细胞细分的深度学习框架. 这种新的方法提高了准确性,特别是在低信号图像中触摸细胞时,性能优于现有的方法.
科学领域:
- 生物医学成像学 生物医学成像学
- 细胞生物学 细胞生物学
- 计算机图像分析分析.
背景情况:
- 时隔显微镜对于观察细胞动态至关重要,但手动分析是不可行的.
- 自动化细胞细分对于大量图像数据集的定量分析至关重要.
- 深度学习,特别是U-Net架构,已经推进了显微镜图像细分,但触摸细胞和低信号噪声比仍然存在挑战.
研究的目的:
- 开发一个强大而准确的自动化细胞细分框架.
- 改进多级特征的集成,以提高细分性能.
- 为了解决细分触摸细胞和低信号对噪声图像的局限性.
主要方法:
- 提出了RA-SE-ASPP-Net,这是一个新的深度学习架构,包含剩余块,注意力机制,挤压和激发 (SE) 连接和Atrous空间金字塔聚合 (ASPP).
- 评估了一个诱导多能干细胞重编程数据集的框架.
- 进行了废弃性研究,以验证每个组件的稳定性和贡献.
主要成果:
- 在语义细分精度方面,RA-SE-ASPP-Net架构显著超过了基线模型.
- 在细分具有挑战性的案例方面表现出卓越的性能,包括在低信号噪声图像中触摸细胞.
- 在评估的数据集上获得最准确的语义细分结果.
结论:
- 拟议的RA-SE-ASPP-Net框架为复杂的显微镜图像中的自动细胞细分提供了一个精确而强大的解决方案.
- 集成先进的深度学习模块有效地解决了功能集成的挑战.
- 该方法提供了精确的细胞细分,使生物医学研究能够进行详细的定量分析.
