Feb, 2018

混乱细胞实例分割的多类加权损失

PDF
TL;DR提出了一种新的多类别加权损失函数，用于分割混杂细胞，其中采用了两个权重映射，不仅考虑到类不平衡和细胞几何形状，还使用了 U-Net 进行训练，并且在 T 细胞的显微镜图像上验证了其优越性。
instance segmentationweighted loss functioncluttered cellst-cellsimmuno-therapy
发现论文，激发创造
  • J 正则化改善不平衡多类别分割

    提出了一种新的损失函数来进一步改进弱监督条件下混杂细胞的多类别分割，通过在交叉熵损失中加入 Youden's J 统计正则项，可以提高相邻细胞的分离，并消除了训练平衡的权重，实验结果表明，这种方法可以准确地分割不同类型的细胞图像。

    Oct, 2019

  • 用于改进对语义分割的对抗攻击的不确定性加权损失函数

    本文介绍了一种基于不确定性加权方案的损失函数，用于对抗攻击，通过将更容易受到干扰的像素分类放大并清零已经被错误分类的像素的损失，以提高扰动性能。在多个数据集和模型的实证分析中，我们证明了这些加权方案能够显著改善扰动性能。

    Oct, 2023

  • 针对多种细胞类型和成像方式的活细胞图像训练通用实例分割网络

    本文探讨了通用细胞类型和成像方式的分割网络训练，并发现了一些训练技巧和共性特征，提高了分割性能。实验结果表明，我们的方法能够适用于全新的数据集。

    Jul, 2022

  • 高度不平衡分割的边界损失

    基于轮廓空间的边界损失可弥补高度不平衡问题，结合标准区域损失，实现 N 维分割的深度网络架构，显著提高训练稳定性。

    Dec, 2018

  • 使用 3D 完全卷积深度神经网络进行图像分割的 Tversky 损失函数

    本文提出了一种基于 Tversky 指数的损失函数来解决数据不平衡问题，在多发性硬化磁共振图像分割中实现更好的精确度和召回率，实验结果表明 Tversky 损失函数作为广义框架可以有效地训练深度神经网络。

    Jun, 2017

  • 基于检测响应传播的弱监督细胞实例分割

    本文提出了一种弱监督方法，可以在密集条件下分割相互接触、边界不清的单个细胞区域，无需单独的训练数据，通过多种显微镜捕获的多种细胞类型的数据集验证了该方法的有效性。

    Nov, 2019

  • 利用不确定性来加权损失的多任务学习，用于场景几何和语义

    本文提出了一种基于系统中每个任务的均方差误差的权重的深度学习多任务学习方法，可以同时处理分类和回归任务，并在主管深度估计、语义和实例分割方面展示了比独立训练的模型更好的表现。

    May, 2017

  • 组织学肿瘤弱监督多实例学习分割

    本文提出了一种弱监督整个切片图像分割的框架，利用标准的临床注释，采用多实例学习方案进行模型训练，并在 The Cancer Genome Atlas 和 PatchCamelyon 数据集上进行了评估，显示出一定的潜力.

    Apr, 2020

  • 血液形态学中鲜明细胞分类的失衡域泛化

    本文介绍了一种针对不同细胞域之间数据分布不平衡和因噪声、神经元元素变化等因素引起的域移动问题的深度卷积神经网络。该方法在精确识别细胞分类方面表现出色，为实验室和诊所的应用提供了坚实的基础。

    Mar, 2023

  • 使用基于实例和实例中心的分割损失函数提高生物医学图像中不同大小对象的分割

    本文提出了一种新的生物医学图像分割任务的两组分损失函数，称为实例和实例中心（ICI）损失，该损失函数解决了常常使用像素损失函数（如 Dice 损失）时遇到的实例不平衡问题。ICI 的实例部分改进了具有大型和小型实例的图像数据集中 “Blob” 的小实例检测。实例中心组件提高了整体检测精度。笔者将 ICI 损失与已有的 Dice 损失和 Blob 损失进行了比较，用于 MICCAI 2022 的 ATLAS R2.0 挑战数据集的卒中损伤分割任务。相对于其他损失，ICI 损失提供了更平衡的分割，并在验证集和测试集上的 Dice 相似系数方面比 Dice 损失提高了 1.7-3.7％，比 Blob 损失提高了 0.6-5.0％，这表明 ICI 损失是解决实例不平衡问题的潜在解决方案。

    Apr, 2023