NeurIPS 2022 | 细胞图像分割竞赛正式启动！

比赛背景和数据

基于显微镜图像的单细胞分析是目前生命科学和生物学等领域的前沿和热点问题，比如细胞分群、肿瘤微环境量化、疾病诊断等等。单细胞分析中关键的环节之一是细胞分割，即从显微镜图像中分割出所有的细胞（如下图所示）。从计算机视觉的角度，这是典型的实例分割任务（instance segmentation），然而实践中很难收集到大量的标注数据，因为从每张图像中手工的标注单个细胞非常耗时耗力，而且需要领域专家的专业知识。另一方面，目前已有的数据集和算法主要侧重于单一或者少量的细胞类型，仍然缺乏通用的细胞分割算法。在此背景下，主办方在人工智能顶会NeurISP 2022上设立了该多模态显微镜图像细胞分割竞赛。

细胞图像分割样例。左边为输入图像，右边为单细胞分割结果，每种颜色代表一个单独的细胞。

主办方联合了全球十多个实验室累计收集了40多个不同生物实验的图像，是目前多样性最高的数据集，覆盖了常见的四种显微镜类型：

• differential interference contrast （上图第1张）
• fluorescent （上图第2张）
• phase-contrast （上图第3张）
• brightfield （上图第4张）

不懂这些图像类型也完全不影响参赛，比赛目的是聚集社区的力量开发出通用的显微镜图像细胞分割模型，因此不会提供每张图像具体的显微镜类型等元信息（meta data），只提供图像和对应的标签供参赛者开发模型。

训练集包含1000张标注好的图像块，以及1500多张无标注的图像。该任务是典型的instance segmentation，参赛人员不需要任何生物学背景，只需要懂分割模型即可。同时主办方也鼓励参赛者利用无标住的图像和公开的数据集来提升网络的泛化性能。

评测指标同时包含分割精度和分割效率

• 分割精度指标：F1 Score (先统计分割正确细胞的recall和precision，然后计算F1 score；每个细胞跟对应金标准的交并比IoU超过0.5即认为分割正确)
• 分割效率指标：分割单张图像的时间（显存不超过1500 MB）

考虑到细胞分割算法的终端用户大部分都是生命科学、生物学等领域的研究人员，他们中的大多数没有非常强性能、大显存的GPU，所以主办方采用了一台普通性能的工作站用于评测，具体配置如下

• CPU: Intel Xeon(R) W-2133 CPU @ 3.60GHz × 12
• GPU: NVIDIA QUADRO P400 (Available memory 1500 MB)
• RAM: 28G

敬请大家参与，您建立的分割模型有可能成为今后生命科学、生物学等领域科研人员在显微镜图像分析中的得力助手！

官网：https://neurips22-cellseg.grand-challenge.org/

重要时间节点

• 06.15：比赛开始，注册通道开通并向注册的参赛者发布训练数据
• 07.15：发布验证集，开始接收验证集提交；
• 08.15：第一次验证集提交截止；
• 09.15：第二次验证集提交截止；
• 10.15：第三次验证集提交截止；同时测试集提交开始
• 10.30：测试集提交截止；
• 11.15：邀请排名靠前队伍在NeurIPS 2022期间做oral presentation
• 11.16或者2022.12.09：宣布最终结果，发放奖金和证书

参赛方式和提交方式

注册完比赛后即可获得比赛数据集，包含简单的两步：

1）在比赛平台注册账号并点`Join`按钮（请用单位邮箱注册）

2）填写在线注册表；

收到注册信息后，主办方会在1-2个工作日完成审核，然后您就可以在网站`Dataset`页面下载数据啦。

提交方式

• 最终的提交方式是Docker，参赛者把自己的算法封装成Docker，并且可以通过下面的命令执行

docker container run --gpus "device=0" --name teamname --rm -v $PWD/CellSeg_Test/:/workspace/inputs/ -v $PWD/teamname_outputs/:/workspace/outputs/ teamname:latest /bin/bash -c "sh predict.sh"

• 验证集阶段主办方提供了三次正式的提交，为了避免短时间内收到大量提交造成评测拥堵，三次提交机会均匀分配在了三个月，参见【重要时间节点】
• 为了让参赛者能在算法开发阶段可以对算法的性能进行评估，每支队伍每天有三次在线提交机会，15验证集发布后，参赛者即可直接在网站的在线评测系统里提交验证集分割结果。
• 为了杜绝cheat，比赛的测试集不会公开，参赛者把算法封装成docker提交，比赛组办方运行其docker逐个分割测试图像

教程和baseline 模型

为了让参赛者熟悉比赛任务并完成成功的提交，主办方也提供了教程和开箱即用的baseline，包含两部分：

• 基于深度学习（e.g., U-Net, ViT+U-Net, Swin Transformer + U-Net）的细胞分割

• 如何把算法封装成docker

代码：https://github.com/JunMa11/NeurIPS-CellSeg （在使用baseline跑比赛数据集遇到问题的时候，欢迎在Issues或者Discussions里发帖交流）

baseline模型侧重简单易懂，而不是性能。具体而言，baseline里把细胞的标签分成了：内部、边界和背景，从而转化成了一个三分类语义分割问题；预测新的图像时，先通过训练好的网络得到内部的预测结果，然后用skimage.measure.label转化为instance 标签。这样做的好处是简单，但有很严重的不足：比如丢失了边界的像素，网络容易把两个挨着的细胞预测成一个mask等等。

细胞分割核心的困难之一是如何把挨着的细胞分离开，上述baseline是最简单的一种方式，最近有很多更加先进的细胞分割方法发表，一些发表在了影响因子30+的Nature子刊上，欢迎大家尝试，比如stardist, cellpose, omnipose, deepcell。

Docker非常方便在不同电脑间分享自己开发的算法，免去了繁琐的环境配置，非常推荐花时间学习下。

奖品

• NeurIPS 细胞分割比赛官方证书
• 奖金（具体金额还在跟赞助商沟通，但下限一定比NeurIPS 会议注册费高）
• 受邀在NeurIPS 期间做Oral presentation，展示自己的获奖算法
• 受邀一起撰写比赛总结文章，该文章将会投稿到顶刊（作为参考，18年细胞核分割竞赛总结文章发表在了Nature Methods，细胞分割任务更有挑战性，而且比赛数据集的多样性更高）