自动细胞核分割的 Mask-RCNN 适应性
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。
Apr, 2018
我们提出了一个简单、灵活、通用的物体实例分割框架。此方法名为 Mask R-CNN,通过在现有的边界框识别分支上添加一个预测对象掩模的分支,同时高效地检测图像中的物体并生成每个实例的高质量分割掩模。该方法简单易用,可快速训练,并且在 COCO 挑战赛的三个跟踪任务中均取得最佳结果,在实例分割、边界框目标检测和人体关键点检测方面均表现优异,是一个强大的基线模型。
Mar, 2017
本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法,该方法利用荧光显微镜图像进行学习,并引入对源域的偏置特征的动态修正机制,以实现跨数据集的域适应,实验结果表明,该方法在三个数据集上优于最先进的无监督域自适应方法,同时表现出类似于完全监督方法的性能。
May, 2020
使用 NuCLS 数据库创建了多评估者模型来自动化分析乳腺癌中的细胞核,该模型采用了 MIScnn 框架中广泛采用的 U-Net 方法,并进行了预处理和数据探索。使用多种评估指标对最终模型进行了测试,并与 NuCLS 研究结果进行了比较和解释,给出了今后细胞核模型发展的重要指示。
Jun, 2022
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
本文提出了一种自监督学习框架,通过对卷积神经网络进行尺度三元组学习和数量排序等两个子任务,隐式地利用细胞核大小和数量的先验知识,从原始数据中挖掘出特征表示,最终在公开数据集上取得了非常好的结果,大大提高了细胞核实例分割的准确性。
Jul, 2020
我们提出的新的 Cyto R-CNN 架构在整个细胞分割方面优于现有算法,同时提供比任何其他模型更可靠的细胞测量,这可能改善数字病理学工作流程,进而提高诊断水平。此外,我们发布的数据集可以用于未来的模型开发。
Jan, 2024
本研究展示了将深度学习算法 Mask-RCNN 应用于半导体缺陷检测领域,通过改进缺陷实例分割技术,成功地检测和分割在半导体制造过程中不同类型的随机缺陷图案,并且可以精确计算缺陷表面积和数量。
Nov, 2022
本文中,我们介绍了一种吸引医学生和病理学家参与的方法,用于在乳腺癌中标注细胞核的数据集,其中建议的注释可以通过弱算法来改善,该算法可用于训练分割算法,这种方法被称为 DTALE,旨在通过核分割和形态学特征来提高核分类模型的透明度。
Feb, 2021
本文提出了一种名为 MaskRNN 的递归神经网络方法,它在每帧中利用两个深度成像网络输出(二元分割网络和定位网络)进行目标实例的视频对象分割以获取长时序结构和剔除异常值,结果在 DAVIS-2016、DAVIS-2017 和 Segtrack v2 数据集中均达到了最优表现。
Mar, 2018