Segmentation et suivi de cellules à l’aide de prédictions de distance basées sur les CNN et d’une stratégie d’appariement basée sur les graphes

La segmentation précise et le suivi des cellules dans des séquences d’images de microscopie constituent une tâche essentielle en recherche biomédicale, notamment pour étudier le développement des tissus, des organes ou d’organismes entiers. Toutefois, la segmentation de cellules en contact dans des images à faible rapport signal-sur-bruit reste un défi majeur. Dans cet article, nous proposons une méthode de segmentation de cellules en contact dans des images de microscopie. Grâce à une nouvelle représentation des contours cellulaires, inspirée des cartes de distance, notre approche permet d’utiliser non seulement les cellules en contact, mais également les cellules proches lors de l’entraînement. De plus, cette représentation s’avère particulièrement robuste aux erreurs d’annotation et donne des résultats prometteurs pour la segmentation d’images de microscopie contenant des types cellulaires sous-représentés ou absents dans les données d’entraînement. Pour prédire les distances aux voisins proposées, nous utilisons un réseau neuronal convolutif (CNN) U-Net adapté, doté de deux chemins de décodage. En outre, nous adaptons un algorithme de suivi basé sur les graphes afin d’évaluer notre méthode proposée sur la tâche de suivi cellulaire. L’algorithme de suivi adapté intègre une estimation du mouvement dans la fonction de coût, permettant de rétablir les trajectoires avec des masques de segmentation manquants sur une courte séquence d’images. Notre méthode combinée de suivi par détection a démontré son efficacité lors du défi IEEE ISBI 2020 sur le suivi cellulaire (http://celltrackingchallenge.net/), où notre équipe, KIT-Sch-GE, a obtenu plusieurs classements parmi les trois premiers, dont deux performances premières, en utilisant un seul modèle de segmentation pour les différentes bases de données.