细胞分割模型的自监督预训练

实例分割可以通过识别属于每个细胞的像素来分析显微图像中细胞的空间和时间特性。然而，由于缺乏高质量的标记显微镜数据集，进展受到限制。最近的许多方法通过使用来自大规模自然图像模型（例如分段任意模型（SAM））的分段预训练权重来初始化模型来解决这一挑战。然而，从自然图像中学习的表示通常对与显微镜数据不一致的对象性和纹理先验进行编码，导致域移位下的性能下降。我们提出了 DINOCell，一种用于细胞实例分割的自监督框架，它利用 DINOv2 的表示，并通过在监督 微调 之前对未标记的细胞图像进行持续的自监督训练来使其适应显微镜。在 LIVECell 基准测试中，DINOCell 的 SEG 得分为 0.784，比基于 SAM 的领先模型提高了 10.42%，并在三个非分布显微镜数据集上展示了强大的零样本性能。这些结果凸显了领域适应自监督预训练对于稳健细胞分割的好处。