IAUNet: U-Net con Conciencia de Instancias

Resumen

La segmentación de instancias es fundamental en la imagen biomédica para distinguir con precisión objetos individuales como células, que a menudo se superponen y varían en tamaño. Los métodos recientes basados en consultas, donde las consultas de objetos guían la segmentación, han mostrado un rendimiento sólido. Si bien U-Net ha sido una arquitectura de referencia en la segmentación de imágenes médicas, su potencial en enfoques basados en consultas sigue siendo en gran parte inexplorado. En este trabajo, presentamos IAUNet, una novedosa arquitectura U-Net basada en consultas. El diseño central incluye una arquitectura U-Net completa, mejorada por un nuevo decodificador de píxeles convolucional ligero, lo que hace que el modelo sea más eficiente y reduce el número de parámetros. Además, proponemos un decodificador Transformer que refina las características específicas de los objetos a través de múltiples escalas. Finalmente, presentamos el Conjunto de Datos de Segmentación Completa de Células Revvity 2025, un recurso único con anotaciones detalladas del citoplasma de células superpuestas en imágenes de campo claro, estableciendo un nuevo estándar para la segmentación de instancias biomédicas. Los experimentos en múltiples conjuntos de datos públicos y en el nuestro muestran que IAUNet supera a la mayoría de los modelos más avanzados completamente convolucionales, basados en transformers, basados en consultas y específicos para la segmentación de células, estableciendo una línea base sólida para tareas de segmentación de instancias celulares. El código está disponible en https://github.com/SlavkoPrytula/IAUNet.

English

Instance segmentation is critical in biomedical imaging to accurately distinguish individual objects like cells, which often overlap and vary in size. Recent query-based methods, where object queries guide segmentation, have shown strong performance. While U-Net has been a go-to architecture in medical image segmentation, its potential in query-based approaches remains largely unexplored. In this work, we present IAUNet, a novel query-based U-Net architecture. The core design features a full U-Net architecture, enhanced by a novel lightweight convolutional Pixel decoder, making the model more efficient and reducing the number of parameters. Additionally, we propose a Transformer decoder that refines object-specific features across multiple scales. Finally, we introduce the 2025 Revvity Full Cell Segmentation Dataset, a unique resource with detailed annotations of overlapping cell cytoplasm in brightfield images, setting a new benchmark for biomedical instance segmentation. Experiments on multiple public datasets and our own show that IAUNet outperforms most state-of-the-art fully convolutional, transformer-based, and query-based models and cell segmentation-specific models, setting a strong baseline for cell instance segmentation tasks. Code is available at https://github.com/SlavkoPrytula/IAUNet

IAUNet: U-Net con Conciencia de Instancias

IAUNet: Instance-Aware U-Net

Resumen

Support