A detector-independent quality score for cell segmentation without ground truth in 3D live fluorescence microscopy
Résumé
Deep-learning techniques have enabled a breakthrough in robustness and execution time in automated cell detection in live fluorescence microscopy datasets. However, the heterogeneity, dimensionality and ever-growing size of 3D+time datasets challenge the evaluation of measurements. Here we propose a quality score for the accuracy of cell segmentation maps that is detector-independent and does not need any groundtruth nor priors on object appearance. Our method learns the dynamic parameters of each cell to detect inconsistencies in local displacements induced by segmentation errors. Using simulations that approximate the dynamics of cellular aggregates, we demonstrate the score ability to rank the performance of detectors up to 40% of false positives. On live volumetric imaging of organoids, our score is able to appropriately rank two stateof-the-art pre-trained deep-learning detectors (Stardist3D and Cellpose).
Les techniques d'apprentissage profond ont permis une percée dans la robustesse et le temps d'exécution de la détection automatisée des cellules dans les ensembles de données de microscopie à fluorescence en direct. Cependant, l'hétérogénéité, la dimensionnalité et la taille toujours croissante des ensembles de données 3D+temps compliquent l'évaluation des mesures. Nous proposons ici un score de qualité pour la précision des cartes de segmentation cellulaire qui est indépendant du détecteur et ne nécessite aucune vérité de base ni aucun a priori sur l'apparence de l'objet. Notre méthode apprend les paramètres dynamiques de chaque cellule pour détecter les incohérences dans les déplacements locaux induits par les erreurs de segmentation. En utilisant des simulations qui se rapprochent de la dynamique des agrégats cellulaires, nous démontrons la capacité du score à classer la performance des détecteurs jusqu'à 40% de faux positifs. Sur l'imagerie volumétrique en direct d'organoïdes, notre score est capable de classer de manière appropriée deux détecteurs d'apprentissage profond pré-entraînés de l'état de l'art (Stardist3D et Cellpose).
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|