Apr, 2018

Micro-Net: 一种用于显微镜图像中多种物体分割的统一模型

PDF
TL;DR本文基于 CNN 的深度学习结构，针对显微镜图像中的目标分割和结构定位问题进行了研究，经过多重分辨率训练和中间层连接优化，通过多分辨率反卷积滤波器生成输出，在公开数据集上取得了优异的成果。
发现论文，激发创造
  • 使用卷积多示例学习对显微镜图像进行分类和分割

    本研究探讨了将多实例学习（MIL）应用于卷积神经网络（CNNs）以进行显微镜图像分类和分割，并提出了适应性嘈杂 AND MIL 汇集函数，对异常值有鲁棒性，其结果在哺乳动物和酵母显微镜图像上的表现优于以前的方法，无需任何分割步骤。

    Nov, 2015

  • NuClick: 一个用于显微镜图像交互式分割的深度学习框架

    本论文提出了一种基于 CNN 的方法 NuClick，可以快速收集核、细胞，以及腺体细胞等许多应用于计算机病理学 / 细胞学的计算机处理对象的注释，并提出了一种新的引导信号，使 NuClick 能够分割腺体的边界。在实验证明，NuClick 能够适应不同的目标尺度，对用户输入的不同变化具有强大的鲁棒性，并且提供可靠的标注，对它标准产生的实例分割模型在 LYON19 挑战中获得了第一名。

    May, 2020

  • 显微镜图像分类的多领域学习卷积神经网络模型

    本文提出了一种多领域学习架构用于显著不同的显微镜图像的分类，使用新的优化技术规范训练期间的潜在特征空间来提高网络性能。通过在三个不同的公共数据集上进行评估，该分类器优于现有技术，对有限标记数据稳健，并且切换到新实验时帮助消除设计新网络的负担。

    Apr, 2023

  • 利用 Mini-Net 推进医学图像分割：一种为医学图像高效分割量身定制的轻量级解决方案

    我们提出了 Mini-Net，一个专门为医学图像设计的轻量级分割网络，通过少于 38,000 个参数高效捕捉高频和低频特征，从而实现在各种医学成像场景中的实时应用，并在 DRIVE、STARE、ISIC-2016、ISIC-2018 和 MoNuSeg 等各种数据集上评估了 Mini-Net，展现了它与最先进方法相比的稳健性和良好性能。

    May, 2024

  • 基于卷积 LSTM 网络的显微细胞分割

    提出一种将 Convolutional Long Short Term Memory（C-LSTM）与 U-Net 相结合的细胞分割方法，以捕获细胞动力学信息，该方法在细胞跟踪挑战赛中取得了最先进的结果，代码可在提供的 https 链接中免费获取。

    May, 2018

  • U-Net: 生物医学图像分割的卷积神经网络

    该研究提出了一种基于数据增强的网络和训练策略，用于更有效地利用可用的标注样本，以实现对神经结构的分割和细胞跟踪。研究表明，这种网络可以从极少量的图像中进行端对端的训练，并在电子显微图像和透射光显微图像上均取得了优异的分割和跟踪效果，且速度快。

    May, 2015

  • FusionNet: 一种用于连接组学中图像分割的深度完全残差卷积神经网络

    本研究介绍了一种基于深度学习的新型神经网络结构 FusionNet，用于自动分割连接组学数据中的神经元结构，并表明其在电子显微镜 (EM) 图像分割方面具有优异的性能。

    Dec, 2016

  • 自动细胞核分割的 Mask-RCNN 适应性

    本文利用 Mask-RCNN 算法，对多种环境下细胞核的显微图像进行高效自动分割。

    May, 2018

  • 少样本显微镜图像细胞分割

    本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。

    Jun, 2020

  • μ-Net: μ-CT 分割的基于深度学习的架构

    我们提出了一个使用卷积神经网络对鲫鱼心脏进行自动分割的新框架，该框架可以推断出样本的三维分割，从而避免了三维卷积神经网络的高计算成本，并且可以显著减少新样本分割所需的时间，实现对高分辨率鲫鱼心脏形状的快速微增强分析。

    Jun, 2024