iPS 细胞的语义分割：生物医学成像中模型复杂性的案例研究.pdfVIP

iPS细胞的语义分割：生物医学成像中模型复杂性的案例研究

MaoquanZhang

BisserRaytchev

XiujuanSun

GraduateSchoolofAdvancedScienceandEngineering,HiroshimaUniversity,Hiroshima

739-8511,Japan

DepartmentofComputerScience,WeifangUniversityofScienceandTechnology,

Shouguang262700,China

zhang-maoquan@hiroshima-u.ac.jp,bisser@hiroshima-u.ac.jp,xjs1981524@

摘要和复杂的纹理[1]。传统的卷积神经网络，如U-Net

本变体，在清晰图像上表现良好，但在边界模糊区域

译医学图像分割不仅需要准确性，还要在具有挑往往表现不佳。例如，随着边界清晰度下降，它们的

中战性的成像条件下保持鲁棒性。在这项研究中，我Dice得分可能从约0.84降至低于0.7。Iwamoto等

1们展示了精心配置的DeepLabv3模型可以在诱导多人[2]尝试使用贝叶斯深度网络和课程学习来解决

v能干细胞(iPS)细胞集落分割中实现高性能，并且这些不确定性，并报告了更强的鲁棒性，但总体上

8

0在我们的实验条件下，优于大型基础模型如SAM2iPS菌落的分割准确性仍然有限。

6及其医疗变体MedSAM2——无需结构修改。这些结与此同时，该领域见证了越来越复杂的深度模

1

2果表明，对于具有微妙、低对比度边界的专门任务，型的出现——包括TransUNet[3]、nnU-Net[4]以

.

7增加模型复杂性并不一定转化为更好的性能。我们及第一代基础模型如SAM和MedSAM[5,6]——

0

5的工作重新审视了更大的通用架构总是更优的假设，这些模型提高了整体准确性。然而，这些模型通

2并提供了证据表明适当调整的简单模型可能在特定常产生确定性输出，并且可能无法完全考虑到模

:

v

i领域的生物医学应用中提供强大的准确性和实际可糊或微妙的边界[1]。最近的模型如SAM2[7]和

x

r靠性。我们还提供了一个开源实现，其中包括针对BioSAM2[8]引入了视频内存和特定于生物医学的

a

小数据集和领域特定编码策略的方法，旨在支持再微调特征（图1(b)），但iPS菌落的分割仍然具有挑

生医学及相关领域语义分割的进一步进展。战性。如图1（a）所示，即使使用必威体育精装版的架构，极

其微弱的菌落边界仍可能导致显著的分割错误。

1介绍为了解决这些挑战，我们采用了经过仔细调

整以适应iPS图像的DeepLabv3网络[9]。如

诱导性多能干细胞（iPS细胞）通过允许重编程

图1(c)所示，这种方法在性能上超过了已有的CNNs

的体细胞分化成几乎所有类型的细胞，促进了再生

（TransUNet、