AI论文精选
⏶8

IAUNet：实例感知U-Net

发表
由 Yaroslav PrytulaYaroslav Prytula 提交
作者: Yaroslav PrytulaYaroslav Prytula, Illia TsiporenkoIllia Tsiporenko, Ali ZeynalliAli Zeynalli, Dmytro FishmanDmytro Fishman

摘要

实例分割在生物医学成像中至关重要，它能准确区分细胞等个体对象，这些对象通常重叠且大小不一。最近基于查询的方法，即通过对象查询来引导分割，已展现出强大的性能。虽然U-Net一直是医学图像分割的首选架构，但其在基于查询的方法中的潜力仍未得到充分探索。在这项工作中，我们提出了IAUNet，一种新颖的基于查询的U-Net架构。其核心设计特点是一个完整的U-Net架构，通过一个新颖的轻量级卷积像素解码器进行增强，从而使模型更高效并减少参数数量。此外，我们提出了一种Transformer解码器，可在多个尺度上提炼对象特定特征。最后，我们推出了2025 Revvity全细胞分割数据集，这是一个独特的资源，包含明场图像中重叠细胞质的详细注释，为生物医学实例分割设定了新基准。在多个公共数据集和我们自己的数据集上进行的实验表明，IAUNet在性能上优于大多数最先进的全卷积、基于Transformer和基于查询的模型以及细胞分割专用模型，为细胞实例分割任务设定了强大的基线。代码可在https://github.com/SlavkoPrytula/IAUNet获取。
查看 arXiv 页面查看 PDF
IAUNet：实例感知U-Net
IAUNet：实例感知U-Net

评论

Yaroslav PrytulaYaroslav Prytula
论文作者
论文提交者
IAUNet: 实例感知U-Net（CVPRW 2025）

在这项工作中，我们提出了：

  • 一种新颖的基于查询的U-Net模型：IAUNet：实例感知U-Net ⭐️

  • 一个新的细胞实例分割数据集：Revvity-25 🔥

🔗 GitHub：https://github.com/SlavkoPrytula/IAUNet

🌐 项目页面：https://slavkoprytula.github.io/IAUNet/

如果您觉得这项工作有用，请考虑在GitHub上给它一个 ⭐️，以支持进一步的开源研究！

Yaroslav PrytulaYaroslav Prytula
论文作者
论文提交者

IAUNet_v2-main_v2.png

模型概述。 IAUNet架构概述，突出显示像素解码器和Transformer解码器阶段。给定输入图像I，编码器提取多尺度特征作为像素解码器的跳跃连接。在每个解码器块中，我们将跳跃连接X_s添加到主特征X中，并注入归一化坐标特征用于CoordConv。堆叠的深度可分离卷积与SE块一起细化空间信息，生成掩码特征X_m。然后Transformer解码器通过每层三个Transformer块处理可学习查询q，并使用X_m迭代地对其进行细化。在每个Transformer块后，使用更新的查询q_hat和高分辨率掩码特征应用深度监督损失。

Yaroslav PrytulaYaroslav Prytula
论文作者
论文提交者

coco_dataset_images_set_3.png

Revvity-25。 本文的一个主要贡献是一个名为Revvity-25的新型细胞实例分割数据集。它包含110张高分辨率1080 x 1080明场图像，每张图像平均包含27个手动标注并经过专家验证的癌细胞，总计2937个标注细胞。据我们所知，这是第一个提供准确、详细细胞边界和重叠标注的数据集，每个细胞平均使用60个多边形点进行标注，对于更复杂的结构，最多可达400个点。Revvity-25数据集提供了一个独特的资源，为测试和基准测试模态和非模态语义和实例分割模型开辟了新的可能性。