摘要
在显微镜图像中自动检测和分割细胞及细胞核对于许多生物学应用至关重要。近年来，基于学习的方法取得了显著成功，包括逐像素的细胞分割及其后续的像素聚类，或者定位边界框并进行后续形状细化。然而，在细胞密集的情况下，这些方法容易出现分割错误，例如错误地合并相邻细胞或由于边界框近似不良而抑制有效的细胞实例。为了解决这些问题，我们提出通过星形凸多边形（star-convex polygons）来定位细胞核，这种方法相比边界框提供了更好的形状表示，因此不需要后续的形状细化。为此，我们训练了一个卷积神经网络，该网络可以预测每个像素处的细胞实例对应的多边形。我们在两个合成数据集和一个具有挑战性的多样化荧光显微镜图像数据集上展示了我们方法的优势。