Segmentation 3D de cellules par prédiction de surfaces actives - Sorbonne Université Access content directly
Conference Papers Year : 2024

Prediction of active surfaces for 3D cell instances segmentation

Segmentation 3D de cellules par prédiction de surfaces actives

Abstract

Cell segmentation is a hard task, especially in 3D microscopy. Images can be noisy, poorly contrasted and represent a high number of objects, sometimes close to each other. Multiple powerful deep learning algorithms have been developed for multi-object segmentation such as StarDist or Cellpose but several limitations still remain. Cellpose considers a 3D image as a stack of 2D images. StarDist3D analyzes the 3D volume entirely but cell shapes are limited to star-convex polygons. The goal of our method is to predict an active surface for each object of interest in an image, describing its contour accurately and generalizing StarDist3D to all shapes homeomorphic to a sphere.
En microscopie, les grandes quantités de données acquises nécessitent le développement de méthodes de segmentation automatiques multi-instances. La révolution de l’apprentissage profond a conduit au développement de méthodes très performantes en segmentation de cellules. Pour des images 2D, Cellpose ou StarDist sont les algorithmes les plus performants et les plus communément utilisés par les biologistes pour la segmentation multi-objets. Ils sont basés sur des architectures de réseaux de neurones convolutifs (type UNet) et prédisent les paramètres d’un modèle de forme dans le cas de StarDist, ou des cartes de gradients utilisées pour construire les formes pour Cellpose. SplineDist est un algorithme moins répandu, qui tente de corriger les faiblesses de StarDist en généralisant les formes prédites, sans se restreindre à des formes "étoilées". Les images biologiques 3D sont difficiles à analyser manuellement. Une adaptation de StarDist a été proposé pour analyser de telles images. En revanche, Cellpose traite une image 3D comme une série d’images 2D indépendantes. Notre méthode est une généralisation de la version 3D de StarDist. Son principal avantage est de prédire des surfaces actives non restreintes à la segmentation de formes étoilées et de garantir une représentation continue des objets segmentés.
Fichier principal
Vignette du fichier
Rapilly_RFIAP_2024.pdf (813.47 Ko) Télécharger le fichier
Origin Files produced by the author(s)

Dates and versions

hal-04611350 , version 1 (13-06-2024)

Licence

Identifiers

  • HAL Id : hal-04611350 , version 1

Cite

Quentin Rapilly, Anaïs Badoual, Charles Kervrann. Segmentation 3D de cellules par prédiction de surfaces actives. RFIAP 2024 - Congrès Reconnaissance des Formes, Image, Apprentissage et Perception, Université de Lille, Cité Scientifique Campus; IMT Nord Europe, Jul 2024, Lille, France. pp.1-3. ⟨hal-04611350⟩
58 View
17 Download

Share

Gmail Mastodon Facebook X LinkedIn More