QCell: 重なり合うインスタンスセグメンテーションのためのセルクエリの再結合と整列

要旨

顕微鏡画像における重なり合う細胞のインスタンスセグメンテーションは、半透明構造が弱い境界や重なり領域における混在した視覚的証拠を生み出すため、依然として困難である。既存手法は局所的な関心領域や形状事前情報を通じてこの問題に対処しているが、重なり合うオブジェクトを横断したグローバルな推論が欠如している。我々は、顕微鏡シーンにおける細胞インスタンスの重なりを解消する、新しいクエリベースのモデルQCellを提案する。本アプローチは、(i)潜在空間においてクエリ表現を分解・再結合することで、重なり下での完全なオブジェクト構造の推論を可能にするインスタンス再結合モジュールと、(ii)識別的なインスタンス特徴学習と重なり合う細胞クエリの分離を組み合わせた対照的クエリ整合目的関数を組み合わせるものである。さらに、重なり合う細胞セグメンテーションのための新しいオルガノイドデータセットベンチマークを導入する。QCellが複数のベンチマークで最先端手法を上回り、ISBI2014においてAP+2.2、AJI+2.7を達成することを示す。コードは https://github.com/SlavkoPrytula/QCell で入手可能である。

English

Instance segmentation of overlapping cells in microscopy remains challenging due to semi-transparent structures that produce weak boundaries and mixed visual evidence in overlap regions. Existing methods address this through local regions of interest or shape priors but lack global reasoning across overlapping objects. We present QCell, a novel query-based model that de-overlaps cell instances in microscopy scenes. Our approach combines (i) an instance recombination module that decomposes and recombines query representations in latent space, enabling the model to reason about complete object structure under overlap, and (ii) a contrastive query alignment objective that combines distinctive instance feature learning and separation of overlapping cell queries. We additionally introduce a new Organoid dataset benchmark for overlapping cell segmentation. We show that QCell outperforms state-of-the-art methods across multiple benchmarks, achieving +2.2 AP and +2.7 AJI on ISBI2014. Code is available at https://github.com/SlavkoPrytula/QCell