Cellular segmentation in kinds of microscopy images is a fundamental prerequisite in the workflow of many biomedical applications. However, accurate segmentation of plenty of cellular instances faces several challenges, including instance-size imbalance, clustered cellular instances, fuzzy boundaries, and cell types’ heterogeneity. Moreover, both 2D and 3D data should be processed with scalability. To address these challenges, we present a lightweight slice-wise CS-Net building on novel hierarchical dimension-decomposed (HDD) convolutions and a novel instance-aware loss for both 2D and 3D microscopy image segmentation. To capture inter-slice contexts in 3D data, we exploit both 2.5D input and 2.5D supervision, and introduce CS-Net (2.5D++) for 3D segmentation tasks. Specifically, we devise a slice-aware encoder to extract diverse and multiscale contexts from multi-slice input and a slice-attentive decoder to take advantage of slice-wise 2.5D supervision. To separate clustered instances, we augment the segmentation task with an edge prediction task, the output of which is used to separate touching instances. Extensive experiments on 3D multi-tissue electron microscopy (EM) data and 2D histology images demonstrate that our 2D and 2.5D methods achieve state-of-the-art performance with scalability to diverse data. The comparative results with top-performing lightweight models also indicate that the proposed model shows a better balance of segmentation performance and computational complexity.

各种显微镜图像中的细胞分割是许多生物医学应用工作流程中的基本先决条件。然而，大量细胞实例的准确分割面临着几个挑战，包括实例大小不平衡、细胞实例聚集、边界模糊和细胞类型的异质性。此外，2D 和 3D 数据都应该具有可扩展性。为了应对这些挑战，我们提出了一种基于新型分层维度分解 (HDD) 卷积的轻量级切片 CS-Net，以及一种用于 2D 和 3D 显微图像分割的新型实例感知损失。为了捕获 3D 数据中的切片间上下文，我们利用 2.5D 输入和 2.5D 监督，并为 3D 分割任务引入 CS-Net (2.5D++)。具体来说，我们设计了一个切片感知编码器来从多切片输入中提取多样化和多尺度的上下文，并设计一个切片注意解码器以利用切片方式的 2.5D 监督。为了分离聚类实例，我们使用边缘预测任务来增强分割任务，其输出用于分离接触实例。对 3D 多组织电子显微镜 (EM) 数据和 2D 组织学图像的大量实验表明，我们的 2D 和 2.5D 方法实现了最先进的性能，可扩展到各种数据。与性能最佳的轻量级模型的比较结果也表明，所提出的模型在分割性能和计算复杂性之间取得了更好的平衡。为了分离聚类实例，我们使用边缘预测任务来增强分割任务，其输出用于分离接触实例。对 3D 多组织电子显微镜 (EM) 数据和 2D 组织学图像的大量实验表明，我们的 2D 和 2.5D 方法实现了最先进的性能，可扩展到各种数据。与性能最佳的轻量级模型的比较结果也表明，所提出的模型在分割性能和计算复杂性之间取得了更好的平衡。为了分离聚类实例，我们使用边缘预测任务来增强分割任务，其输出用于分离接触实例。对 3D 多组织电子显微镜 (EM) 数据和 2D 组织学图像的大量实验表明，我们的 2D 和 2.5D 方法实现了最先进的性能，可扩展到各种数据。与性能最佳的轻量级模型的比较结果也表明，所提出的模型在分割性能和计算复杂性之间取得了更好的平衡。5D 方法通过对不同数据的可扩展性实现了最先进的性能。与性能最佳的轻量级模型的比较结果也表明，所提出的模型在分割性能和计算复杂性之间取得了更好的平衡。5D 方法通过对不同数据的可扩展性实现了最先进的性能。与性能最佳的轻量级模型的比较结果也表明，所提出的模型在分割性能和计算复杂性之间取得了更好的平衡。