QCell: 중첩 인스턴스 분할을 위한 셀 쿼리 재결합 및 정렬

초록

중첩된 세포의 인스턴스 분할은 현미경 영상에서 여전히 어려운 문제로 남아 있다. 이는 반투명 구조가 약한 경계와 중첩 영역에서의 혼합된 시각적 증거를 생성하기 때문이다. 기존 방법들은 지역적 관심 영역이나 형상 사전에 기반하여 이 문제를 해결하고자 하였으나, 중첩된 객체들에 걸친 전역적 추론이 부족하다. 본 논문에서는 현미경 장면에서 세포 인스턴스의 중첩을 해소하는 새로운 쿼리 기반 모델인 QCell을 제안한다. 제안 방법은 (i) 잠재 공간에서 쿼리 표현을 분해하고 재조합하여 모델이 중첩 상황에서도 완전한 객체 구조를 추론할 수 있게 하는 인스턴스 재조합 모듈과, (ii) 판별적 인스턴스 특징 학습과 중첩된 세포 쿼리의 분리를 결합하는 대조적 쿼리 정렬 목적 함수로 구성된다. 또한, 중첩된 세포 분할을 위한 새로운 오가노이드 데이터셋 벤치마크를 소개한다. QCell은 여러 벤치마크에서 최신 방법들을 능가하는 성능을 보였으며, ISBI2014에서 +2.2 AP 및 +2.7 AJI를 달성하였다. 코드는 https://github.com/SlavkoPrytula/QCell 에서 확인할 수 있다.

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