IAUNet : U-Net Conscient des Instances

papers.abstract

La segmentation d’instances est essentielle en imagerie biomédicale pour distinguer avec précision des objets individuels tels que les cellules, qui se chevauchent souvent et varient en taille. Les méthodes récentes basées sur des requêtes, où des requêtes d’objets guident la segmentation, ont démontré des performances solides. Bien que l’U-Net soit une architecture de référence en segmentation d’images médicales, son potentiel dans les approches basées sur des requêtes reste largement inexploré. Dans ce travail, nous présentons IAUNet, une nouvelle architecture U-Net basée sur des requêtes. La conception centrale repose sur une architecture U-Net complète, améliorée par un nouveau décodeur de pixels convolutif léger, rendant le modèle plus efficace et réduisant le nombre de paramètres. De plus, nous proposons un décodeur Transformer qui affine les caractéristiques spécifiques aux objets à travers plusieurs échelles. Enfin, nous introduisons le jeu de données 2025 Revvity Full Cell Segmentation Dataset, une ressource unique avec des annotations détaillées du cytoplasme cellulaire se chevauchant dans des images en champ clair, établissant un nouveau référentiel pour la segmentation d’instances biomédicales. Les expériences sur plusieurs jeux de données publics et nos propres données montrent qu’IAUNet surpasse la plupart des modèles à convolution complète, basés sur des transformateurs et des requêtes, ainsi que les modèles spécifiques à la segmentation cellulaire, établissant une base solide pour les tâches de segmentation d’instances cellulaires. Le code est disponible à l’adresse suivante : 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 Conscient des Instances

IAUNet: Instance-Aware U-Net

papers.abstract

Support