基于轮廓种子对学习的框架，用于同时检测和分割显微镜图像中的各种重叠细胞/核

在本文中，我们提出了一种新颖的基于轮廓种子对学习的框架，用于健壮和自动的细胞/细胞核分割。 显微镜图像中的自动颗粒物分割对于细胞癌的病理分级和基因表达具有重要的临床意义。 过去文献的重点是通过分割某种类型的细胞/细胞核或简单地分裂聚类对象而没有它们的轮廓推断。 我们的方法通过根据统一回归问题制定检测和分割任务来解决这些问题，其中训练级联稀疏回归链模型，然后将其应用于返回对象的位置和聚类对象的整个边界。 特别是，我们首先学习每层中的一组在线卷积特征。 然后，在提出的级联稀疏回归链中，利用学习到的特征的输入，我们迭代更新位置和聚类对象边界，直到收敛为止。 这样，每个对象的边界证据就可以轻松地描绘出来，并进一步输入到通过最小描述长度原理优化的完整轮廓推断过程中。 对于任何探针图像，我们的方法都可以分析形状复杂的自由和重叠细胞。 实验结果表明，该方法具有很强的通用性，可以很好地处理各种细胞/细胞核类型的轮廓推断。 与当前的分割技术相比，我们的方法在四个具有挑战性的数据集上表现出了最先进的性能，即肾肾细胞癌组织病理学数据集，果蝇Kc167细胞数据集，差异干扰对比红细胞数据集和宫颈细胞学数据集。