CS3: Cascade SAM for Sperm Segmentation

自动化的精子形态分析在评估男性生育能力方面起着至关重要的作用，然而它的有效性常常受到准确分割精子图像的挑战所影响。现有的分割技术，包括Segment Anything Model（SAM），在处理精子重叠这一复杂问题方面明显不足，而这在临床样本中经常发生。我们的探索性研究表明，通过去除精子头和易于分割的区域，同时增强重叠区域的可见性，显著提高了SAM在分割复杂精子结构方面的效率。受到这些发现的启发，我们提出了Cascade SAM for Sperm Segmentation（CS3），这是一种针对精子重叠问题专门设计的无监督方法。该方法采用SAM的级联应用，分阶段分割精子头、简单尾巴和复杂尾巴。随后，这些分割掩模被精细地匹配和合并以构建完整的精子掩模。与领先的医疗机构合作，我们编制了一个包含约2,000个未标记的精子图像的数据集，以微调我们的方法，并为另外240个图像获得了专家注释，以便进行全面的模型评估。实验结果表明，与现有方法相比，CS3的性能更优。

本论文旨在解决精子图像分割中的重叠问题，提高自动化精子形态分析的效率。

本文提出了一种级联应用SAM的方法CS3，通过分阶段分割精子头、简单尾巴和复杂尾巴，并精细匹配和拼接这些分割掩模，从而构建完整的精子掩模。

本文通过修改图像特征并增强重叠区域的可见性，提高了SAM在分割复杂精子结构方面的效率。作者使用了一个包含大约2000个未标记的精子图像的数据集来优化他们的方法，并使用240个图像的专家注释来进行全面的模型评估。实验结果表明，CS3的性能优于现有方法。

在这个领域的相关研究包括：1. “Automated Sperm Head Detection Using Morphological Operators and Ellipse Fitting”；2. “A Deep Learning Framework for Automatic Sperm Head Detection and Segmentation”；3. “Sperm Segmentation Using Deep Convolutional Networks and Active Contour Models”等。