[论文解读] Learn to segment single cells with deep distance estimator and deep cell detector

Weikang Wang, David A. Taft+6 more|arXiv (Cornell University)|Mar 28, 2018

Cell Image Analysis Techniques参考文献 31被引用 6

一句话总结

本文提出了一种新颖的深度学习框架，结合深度距离估计算法与深度细胞检测器，以提升活细胞成像中的单细胞分割效果。通过利用欧几里得距离变换与分水岭分割算法，该方法在噪声较大、细胞密集堆积的图像中，相比传统的像素级分类方法，显著提高了细胞计数的准确性。

ABSTRACT

Single cell segmentation is critical and challenging in live cell imaging data analysis. Traditional image processing methods and tools require time-consuming and labor-intensive efforts of manually fine-tuning parameters. Slight variations of image setting may lead to poor segmentation results. Recent development of deep convolutional neural networks(CNN) provides a potentially efficient, general and robust method for segmentation. Most existing CNN-based methods treat segmentation as a pixel-wise classification problem. However, three unique problems of cell images adversely affect segmentation accuracy: lack of established training dataset, few pixels on cell boundaries, and ubiquitous blurry features. The problem becomes especially severe with densely packed cells, where a pixel-wise classification method tends to identify two neighboring cells with blurry shared boundary as one cell, leading to poor cell count accuracy and affecting subsequent analysis. Here we developed a different learning strategy that combines strengths of CNN and watershed algorithm. The method first trains a CNN to learn Euclidean distance transform of binary masks corresponding to the input images. Then another CNN is trained to detect individual cells in the Euclidean distance transform. In the third step, the watershed algorithm takes the outputs from the previous steps as inputs and performs the segmentation. We tested the combined method and various forms of the pixel-wise classification algorithm on segmenting fluorescence and transmitted light images. The new method achieves similar pixel accuracy but significant higher cell count accuracy than pixel-wise classification methods do, and the advantage is most obvious when applying on noisy images of densely packed cells.

研究动机与目标

• 为解决像素级分类在单细胞分割中的局限性，特别是在噪声较大和细胞密集堆积的图像中。
• 克服缺乏训练数据、边界像素稀疏以及细胞特征模糊等挑战。
• 开发一种稳健的端到端深度学习框架，提升分割准确性，且无需人工参数调优。
• 提高细胞计数准确性，这对后续的定量生物学分析至关重要。

提出的方法

• 训练一个深度卷积神经网络（CNN），从输入图像中预测二值细胞掩膜的欧几里得距离变换。
• 训练第二个CNN，以在预测的距离变换图中检测单个细胞中心。
• 分水岭算法利用距离变换结果和细胞中心预测作为标记点，执行最终的分割。
• 该方法通过学习距离表示来提取结构化的细胞特征，避免了直接的像素级分类。
• 该框架采用端到端训练，将经典图像处理方法（分水岭）与深度学习相结合，以提升鲁棒性。
• 该方法在具有不同噪声水平和细胞密度的荧光显微镜与透射光显微镜图像上进行了评估。

实验结果

研究问题

• RQ1 与像素级分类方法相比，基于深度学习的方法是否能提升在细胞密集堆积且噪声较大的活细胞成像数据中的细胞分割准确性？
• RQ2 当边界像素稀疏且特征模糊时，学习欧几里得距离变换如何提升分割性能？
• RQ3 在具有挑战性的生物图像场景中，将深度学习与分水岭算法结合，是否显著优于纯深度学习的分割方法？
• RQ4 所提出的方法是否能在不同成像模态（如荧光显微镜与透射光显微镜）之间良好泛化？
• RQ5 该方法是否能减少对人工参数调优的依赖，同时在细胞计数中保持高准确性？

主要发现

• 所提出方法在像素级分割准确性方面与最先进的像素级分类方法相当。
• 在细胞计数准确性方面，该方法显著优于像素级分类方法，尤其在噪声较大和细胞密集堆积的条件下。
• 在细胞密度高且信噪比低的困难图像条件下，细胞计数准确性的提升最为显著。
• 将分水岭分割与深度距离估计算法结合，可生成更准确且更符合生物学实际的细胞边界。
• 该方法在不同成像模态间具有良好的泛化能力，包括荧光显微镜与透射光显微镜。
• 该框架减少了对人工参数调优的需求，为单细胞分割提供了更稳健、更自动化的解决方案。