Treffer: Prediction of Parametric Surfaces for Multi-Object Segmentation in 3D Biological Imaging

Multi-object segmentation algorithms are of great interest in a very large range of fields. Deep learning brought major improvements in terms of processing speed or prediction accuracy. Nevertheless, some traditional methods such as active surfaces have features that conventional deep learning methods cannot provide, especially representing the object in a continuous geometrical way and encoding prior information on the shapes to segment. Those features are of particular interest in biology to efficiently segment noisy and poorly resolved data, and then understand the interactions between segmented cells. We introduce NAGINI-3D (N-Active shapes for seGmentINg 3D biological Images), a new hybrid segmentation method dedicated to multi-object segmentation of 3D images that combines the efficiency of deep learning and the powerful representation of active surfaces. We evaluate our method on real and synthetic 3D datasets of fluorescence microscopy.
Les algorithmes de segmentation multi-objets suscitent un grand intérêt dans de nombreux domaines. L'essor de l'apprentissage profond a permis des progrès considérables en termes de vitesse de traitement et de précision des prédictions. Néanmoins, certaines méthodes traditionnelles, telles que les surfaces actives, présentent des caractéristiques que les méthodes classiques d'apprentissage profond ne peuvent pas fournir, en particulier une représentation géométrique continue des objets et l'intégration d'informations à priori sur leurs formes. Ces caractéristiques sont particulièrement utiles en biologie pour segmenter efficacement des données bruitées et mal résolues, puis pour comprendre les interactions entre les cellules segmentées. Nous avons développé, NAGINI-3D (N-Active shapes for seGmentINg 3D biological Images), une nouvelle méthode de segmentation hybride dédiée à la segmentation multi-objets d'images 3D qui combine l'efficacité de l'apprentissage profond et la puissante représentation des surfaces actives. Nous avons évalué notre méthode sur des jeux de données 3D réels et synthétiques de microscopie à fluorescence.