HIVE-Net：在显微镜图像中对线粒体进行分割
点击上方“深度学习爱好者”，选择加"星标"或“置顶”
重磅干货，第一时间送达
小白导读
论文是学术研究的精华和未来发展的明灯。小白决心每天为大家带来经典或者最新论文的解读和分享，旨在帮助各位读者快速了解论文内容。个人能力有限，理解难免出现偏差，建议对文章内容感兴趣的读者，一定要下载原文，了解具体内容。
背景与目的：随着电子显微镜(EM)成像技术的发展，神经科学家可以在纳米尺度上研究各种细胞内细胞器，如线粒体的功能。电子显微镜的语义分割是有效获取可靠形态学统计信息的重要步骤。尽管深度卷积神经网络(CNNs)取得了巨大的成功，但它们仍然产生了大量不连续性和线粒体分割假阳性的粗糙分割。
方法：在本研究中，我们引入一个中心线感知的多任务网络，利用中心线作为线粒体的内在形状线索来规则分割。由于3D CNNs在大医疗容量上的应用通常受到其大量计算成本和存储开销的阻碍，我们引入了一种新的分层视图集成卷积(HVEC)，这是一种使用更有效的2D卷积学习3D空间上下文的3D卷积的简单替代方法。HVEC能够分解和共享多视图信息，提高了学习能力。
结果：在两个具有挑战性的基准测试上的广泛验证结果表明，与最先进的方法相比，本文提出的方法在精度和视觉质量方面表现良好，但模型尺寸大大减少。此外，该模型的泛化能力也有明显提高，特别是在训练数据量相当有限的情况下。详细的敏感性分析和消融研究也进行了，这表明了所提模型的稳健性和所提模块的有效性。
结论：实验强调提出的架构既简单又有效，从而提高了学习空间上下文的能力。此外，结合形状线索，如中心线信息是一个有希望的方法，以提高线粒体分割的性能。
我们提出利用内在形状线索来提高分割精度和泛化能力，并开发了一种新的中心线感知的分割网络。
为了实现一个轻量级的三维分割网络，我们引入了一个新的HVEC模块，这是一个简单的3D卷积的替代选择，只使用2D卷积来学习3D空间上下文，以减少参数的数量，并促进多视图信息聚合。
尽管训练数据相当有限，但与目前的技术水平相比，通过在两个公开的基准上使用拟议的蜂巢网，已经获得了非常有前途的表现
我们的hive网络的整体架构，整合了两个密切相关的任务，用于线粒体的三维分割。利用中心线检测分支编码固有形状知识，抑制分割过程中的不连续和误报。一种新型的HVEC模块只涉及2D卷积，是基本的构建块，用彩色的立方体表示，下面的数字是特征通道的数量。每个HVEC模块由两个HVEC组成，作为短连接的子块，交叉它们进行剩余学习。
我们的分层视图集成卷积(HVEC)的多分支架构。为了提取多视图多尺度的上下文特征，我们并行进行了3个不同的2 (2D)空间卷积，对应于对三维体的三个正交视图进行操作，对具有层次连接的特征通道的不同子组进行操作。第四个分支是在一个焦点视图上提取多尺度上下文特征。
在EPFL数据集(第一行和第二行)和Kasthuri++数据集(第三行和最后一行)上，我们的分割结果与其他方法的可视化比较。在第一行和第三行，红色的等高线表示地面真实值，绿色的等高线表示比较方法的结果。第二行和第四行是每种方法的分割和地面真实的三维可视化。(b)-(e)列中的红色片段和蓝色片段分别是假阴性和假阳性预测。真正积极的预测用绿色表示。
EPFL数据集上不同线粒体分割方法的比较。报告了在类级度量，即DSC和JAC，以及实例级度量，即AJI和PQ下的评价结果
kasthuri++数据集上不同线粒体分割方法的比较。报告了在类级度量(即DSC和JAC)和实例级度量(即AJI和PQ)下的结果
在这篇论文中，我们提出了一种端到端可训练的形状感知网络，用于从EM图像中提取线粒体的三维分割。除了主要的分割流之外，我们的网络通过使用专用的中心线检测流明确地解释内在形状信息。此外，两个密切相关的任务之间的共享特征编码器不仅可以得到更好的可判别性特征表示，而且提高了模型的鲁棒性和泛化能力。通过使用新型HVEC模块替代3D卷积，我们实现了具有较少可学习参数和较低计算复杂度的轻量级3D分割模型。此外，所提出的HEVC可以与任意三维卷积网络集成。实验表明，我们的体系结构可以在两个具有挑战性的基准上获得最先进的结果，并且在训练数据量相当有限的情况下也能显著提高泛化能力。该算法的一个局限性是只使用了中心线作为形状知识，对分割结果的边界适应度影响不大。
未来的研究重点是:
在保持能力的同时，将其扩展到2D网络;
将其扩展到只有点注释的弱监督场景;
在2D变体中融入完整的形状知识。
论文下载：https://arxiv.org/abs/2101.02877
每日坚持论文分享不易，如果喜欢我们的内容，希望可以推荐或者转发给周围的同学。