Innovative Hierarchical Clustering Segmentation for Biological Tissue Identification in Label-Free Fluorescence Microscopy Hyperspectral Images
Semantic segmentation of fluorescence microscopy hyperspectral images (FMHSIs) is an essential task for obtaining labeled hyperspectral data. It serves as a foundational tool for high-level vision tasks including remote disease diagnosis and pathology-assisted surgery. We develop a semi-automatic unsupervised algorithm to segment unlabeled FMHSIs focusing on eye tissue sections. The algorithm begins with data preprocessing steps including normalization, destriping, and superpixel generation. Then, adjacent superpixels are merged in a hierarchical clustering manner to get image segments. Next, small regions are merged to the closest adjacent region to output the final tissue sections. Finally, an optional sub segmentation step is applied on regions where spectral information is similar compared to other regions in the image. Multiple FMHSIs are used to demonstrate the effectiveness of the proposed method by comparing the segmentation results to other well-known clustering algorithms.
Segmentation hiérarchique innovante pour l'identification des tissus biologiques dans les images hyperspectrales de microscopie à fluorescence sans étiquette
La segmentation sémantique des images hyperspectrales de microscopie à fluorescence (FMHSI) est une tâche essentielle pour obtenir des données hyperspectrales étiquetées. Elle constitue un outil fondamental pour les tâches de vision de haut niveau, notamment le diagnostic à distance des maladies et la chirurgie assistée par pathologie. Nous développons un algorithme semi-automatique non supervisé pour segmenter les données FMHSI non étiquetées en nous concentrant sur les sections de tissus oculaires. L'algorithme commence par des étapes de prétraitement des données, notamment la normalisation, le dépouillement et la génération de superpixels. Ensuite, les superpixels adjacents sont fusionnés de manière hiérarchique pour obtenir des segments d'image. Ensuite, les petites régions sont fusionnées avec la région adjacente la plus proche pour obtenir les coupes de tissus finales. Enfin, une étape optionnelle de sous-segmentation est appliquée aux régions dont les informations spectrales sont similaires à celles d'autres régions de l'image. Plusieurs FMHSI sont utilisées pour démontrer l'efficacité de la méthode proposée en comparant les résultats de la segmentation à d'autres algorithmes de regroupement bien connus.
Session
Date and Time
-
Langue de la présentation orale
Anglais
Langue des supports visuels
Anglais