共焦点画像データセットの3Dインスタンスセグメンテーションのためのディープラーニングアルゴリズムのベンチマーク

3次元（3D）顕微鏡画像のセグメント化は、形態形成、細胞分裂、細胞成長、遺伝的発現パターンなどの現象を理解するために不可欠です。最近、ディープラーニング（DL）パイプラインが開発されました。これは、細胞画像の高精度セグメンテーションを提供すると主張しており、画像セグメンテーションの問題の最先端と見なされています。ただし、相対的なパフォーマンスを同時に多様性と均一な評価戦略の欠如として定義することは依然として困難であり、結果の比較を知ることは困難です。この論文では、最初に3D細胞セグメンテーションのために利用可能なDLメソッドのインベントリを作成しました。次に、MARSという名前の非常に効率的な非DLメソッドとともに、多くの代表的なDLパイプラインを実装および定量的に比較しました。DLメソッドは、3Dセルラー共焦点顕微鏡画像の一般的なデータセットでトレーニングされました。それらのセグメンテーションの精度は、異なる画像アーティファクトの存在下でもテストされました。セグメンテーションの品質評価のための特定の方法が採用されました。これは、未熟またはオーバーセグメントによるセグメンテーションエラーを分離しました。これは、セグメンテーション品質のインタラクティブな調査のための3D視覚化戦略で補完されます。私たちの分析は、DLパイプラインの精度が異なることを示しています。そのうちの2つは、エンドツーエンドの3Dであり、元々細胞境界検出用に設計されていましたが、新しいデータへの適応性の観点から高性能を示し、明確な利点を提供します。

Segmenting three-dimensional (3D) microscopy images is essential for understanding phenomena like morphogenesis, cell division, cellular growth, and genetic expression patterns. Recently, deep learning (DL) pipelines have been developed, which claim to provide high accuracy segmentation of cellular images and are increasingly considered as the state of the art for image segmentation problems. However, it remains difficult to define their relative performances as the concurrent diversity and lack of uniform evaluation strategies makes it difficult to know how their results compare. In this paper, we first made an inventory of the available DL methods for 3D cell segmentation. We next implemented and quantitatively compared a number of representative DL pipelines, alongside a highly efficient non-DL method named MARS. The DL methods were trained on a common dataset of 3D cellular confocal microscopy images. Their segmentation accuracies were also tested in the presence of different image artifacts. A specific method for segmentation quality evaluation was adopted, which isolates segmentation errors due to under- or oversegmentation. This is complemented with a 3D visualization strategy for interactive exploration of segmentation quality. Our analysis shows that the DL pipelines have different levels of accuracy. Two of them, which are end-to-end 3D and were originally designed for cell boundary detection, show high performance and offer clear advantages in terms of adaptability to new data.