三维荧光显微镜图像合成和分割
本研究旨在为自由使用的 2 光子血管显微镜成像数据集提供一种深度学习框架,该框架基于 2D 和 3D 卷积滤波器 (ConvNet)。 这种 2D 和 3D 混合体构架的分割结果表明,这对于分割体积性血管成像是有很好的推广潜力的。
Jun, 2016
本文提出了两个计算机算法,分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割,采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。
Oct, 2018
综述了近期基于深度学习的三维物体分割,涵盖了 150 多篇文章,总结了最常用的算法流程、讨论了它们的优缺点,并分析了这些分割方法的竞争结果,最后提出了未来的研究方向。
Mar, 2021
本文介绍了一种基于扩散的核分割增强方法,通过合成大量标记图像,以提高分割模型的性能。实验结果表明,通过将 10%的真实标记数据集与合成样本相结合,可以实现与完全监督基准相媲美的分割结果。
Oct, 2023
本文提出了一种基于 3D 分割结果的多目标跟踪方法,该方法可通过提取深度神经网络中的特征图来识别和匹配物体部分,该方法在跟踪准确性和事件识别准确性方面比现有的方法分别提高了 2.96% 和 35.48%。
Nov, 2019
细分、测量和分析细胞图像的关键步骤在于对象分割。深度学习基于的工具在该领域中逐渐取得了主导地位,以 Cellpose 为代表的专业模型在准确性和用户友好性方面不断提升,多模态细胞分割挑战推动了准确性、效率和可用性方面的创新。文档、共享和评估标准的日益重视加快了朝着真正通用方法的目标迈进。
Nov, 2023
提出了一种新的集成学习框架,其结合了 2D 和 3D 模型的优点,通过全卷积网络基于元学习器来提高 2D 和 3D 模型的结果,实现了在完全监督、半监督和转导设置下,相对于最先进的图像分割方法,取得了优越的性能。
Dec, 2018
本文介绍了一种使用深度学习生成虚拟训练数据集的方法,以解决显微镜数据分割的 GT 问题,为分析心肌细胞线粒体状态和行为提供了巨大帮助,并获得了二进制分割的 91% 的 IoU 分数。
Aug, 2020
本研究采用 3D 卷积神经网络对容积式医学图像进行分割,并提出了一种新的 3D 粗到细的框架,该框架不仅有效而且高效可靠,与 2D 方法相比取得更好的效果,并在临床应用中得到了可靠性保证。
Dec, 2017