[论文解读] Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning

Filip Lux, Petr Matula|arXiv (Cornell University)|Apr 3, 2020

Cell Image Analysis Techniques参考文献 51被引用 14

一句话总结

本文提出了一种新颖的细胞分割方法，结合了标记控制的分水岭变换与两个基于U-Net的卷积神经网络（CNN），用于预测细胞标记和图像前景。该方法在三个多样化的Cell Tracking Challenge数据集上实现了最先进性能，通过利用预测的分割函数和刚性数据增强，显著提升了基线方法的分割准确率。

ABSTRACT

We propose a cell segmentation method for analyzing images of densely clustered cells. The method combines the strengths of marker-controlled watershed transformation and a convolutional neural network (CNN). We demonstrate the method universality and high performance on three Cell Tracking Challenge (CTC) datasets of clustered cells captured by different acquisition techniques. For all tested datasets, our method reached the top performance in both cell detection and segmentation. Based on a series of experiments, we observed: (1) Predicting both watershed marker function and segmentation function significantly improves the accuracy of the segmentation. (2) Both functions can be learned independently. (3) Training data augmentation by scaling and rigid geometric transformations is superior to augmentation that involves elastic transformations. Our method is simple to use, and it generalizes well for various data with state-of-the-art performance.

研究动机与目标

• 解决在边缘对比度差、信噪比低的显微图像中，对密集簇集、形态学复杂的细胞持续存在的分割挑战。
• 克服单一深度学习方法（如U-Net）在分离重叠细胞方面的局限性，以及传统分水岭方法在标记和分割函数定义上的不足。
• 开发一种可泛化、鲁棒的流程，将深度学习与数学形态学相结合，以提升在多种成像模式下的分割准确率。
• 研究数据增强策略、标记定义方法以及多任务学习对分割性能的影响。

提出的方法

• 使用两个独立的U-Net风格CNN，为每个像素预测其为细胞标记的概率以及其为细胞前景（图像掩码）的概率。
• 通过形态学操作（包括腐蚀和距离变换）将CNN预测转换为标记函数，以定义可靠的细胞中心。
• 利用预测的前景概率生成分割函数，引导分水岭变换以勾勒细胞边界。
• 使用计算出的标记函数和分割函数执行标记控制的分水岭分割，生成最终的细胞实例分割结果。
• 利用形态学算子将CNN输出转化为有效的分水岭输入，确保空间一致性并减少预测中的噪声。
• 通过缩放和刚性几何变换（旋转、翻转）进行训练数据增强，以提升泛化能力，其性能优于弹性形变。

实验结果

研究问题

• RQ1 通过深度学习联合预测标记函数和分割函数，是否能相比仅使用单一函数显著提升细胞分割准确率？
• RQ2 标记函数和分割函数能否独立学习而不导致性能下降，从而实现使用不同标注类型进行灵活训练？
• RQ3 数据增强策略的选择——特别是刚性变换与弹性形变——如何影响模型的泛化能力和性能？
• RQ4 不同标记标注类型（完整标注与弱标注）以及腐蚀参数如何影响检测准确率和鲁棒性？
• RQ5 多任务学习（一个网络同时预测标记和前景）是否相比独立网络提供显著的性能优势？

主要发现

• 联合预测分水岭标记函数和分割函数显著提升了分割准确率，在DIC数据集上Dice分数提高了约3个百分点，在PhC数据集上提高了2.4个百分点，相比基于距离的分割函数。
• 该方法在三个Cell Tracking Challenge数据集（DIC、PhC及其他）的细胞检测与分割任务中均取得最佳性能，公共基准测试中排名第一或第二。
• 仅使用刚性几何变换和缩放进行训练的表现优于包含弹性形变的增强策略，表明刚性增强更有利于保持细胞形态并提升泛化能力。
• 基于完整标注（精确标注细胞中心）生成的标记在复杂形状细胞上的检测性能优于弱标注，尤其在复杂形态下表现更优。
• 腐蚀参数 $k$（细胞直径与标记直径之比）对性能影响极小，在 $k = 0.4$ 到 $0.6$ 的范围内结果稳定，表明对标记尺寸变化具有鲁棒性。
• 多任务学习并未显著优于独立网络，Dice分数和检测分数差异低于0.003，因此采用两个独立CNN在模块化和标注灵活性方面更具合理性。