IAUNet: 인스턴스 인식 U-Net
IAUNet: Instance-Aware U-Net
August 3, 2025
저자: Yaroslav Prytula, Illia Tsiporenko, Ali Zeynalli, Dmytro Fishman
cs.AI
초록
인스턴스 분할은 생체의학 영상에서 크기가 다양하고 종종 겹치는 세포와 같은 개별 객체를 정확히 구분하는 데 필수적이다. 최근 객체 쿼리가 분할을 안내하는 쿼리 기반 방법들이 강력한 성능을 보여주고 있다. U-Net은 의료 영상 분할에서 주로 사용되는 아키텍처였지만, 쿼리 기반 접근법에서의 잠재력은 아직 크게 탐구되지 않았다. 본 연구에서는 새로운 쿼리 기반 U-Net 아키텍처인 IAUNet을 제안한다. 핵심 설계는 완전한 U-Net 아키텍처를 기반으로 하며, 경량 컨볼루션 픽셀 디코더를 통해 모델의 효율성을 높이고 매개변수 수를 줄였다. 또한, 다중 스케일에서 객체 특정 특징을 정제하는 트랜스포머 디코더를 제안한다. 마지막으로, 밝은 시야 영상에서 겹치는 세포 세포질에 대한 상세 주석을 포함한 2025 Revvity Full Cell Segmentation Dataset을 소개하며, 이는 생체의학 인스턴스 분할을 위한 새로운 벤치마크를 설정한다. 여러 공개 데이터셋과 자체 데이터셋에서의 실험 결과, IAUNet은 대부분의 최첨단 완전 컨볼루션, 트랜스포머 기반, 쿼리 기반 모델 및 세포 분할 특화 모델을 능가하며, 세포 인스턴스 분할 작업을 위한 강력한 기준을 제시한다. 코드는 https://github.com/SlavkoPrytula/IAUNet에서 확인할 수 있다.
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