Jun, 2018

MILD-Net: 腺体实例分割中最小信息损失扩张网络在结肠组织学图像中的应用

PDF
TL;DR本研究提出了一种基于完全卷积神经网络的方法，利用反卷积和空间上的金字塔池化，实现对结肠镜病理学图像中的腺体分割；此外，还使用随机变换来生成不确定性图以解决了高不确定性预测的问题，并且通过实验验证了模型性能优于现有方法。
colon cancergland segmentationconvolutional neural networkuncertainty mapmild-net+
发现论文，激发创造
  • 使用深度多通道神经网络进行腺体实例分割

    利用深度多通道框架和卷积神经网络，基于评估指标，提出了一种新颖的，具有高效性和普适性的肠腺组织图像实例分割算法。

    Nov, 2016

  • DCAN: 深度轮廓感知网络用于准确的腺体分割

    本文提出了一种基于深度学习的多任务学习框架下的高效深度轮廓感知网络（DCAN）用于对组织学图像中的腺体进行精确分割，该方法不仅能输出腺体的准确概率图，还可以同时描述清晰的轮廓以分离聚集的物体。该方法在 2015 年 MICCAI 腺体分割挑战赛中胜出，超过了其他 13 个竞争对手的方法。

    Apr, 2016

  • 通过双编码器和边界增强注意力进行腺体分割

    通过提出的 DEA 模型，我们可以实现对病理图像上的腺体进行准确自动的分割，帮助病理学家诊断结直肠腺癌的恶性程度。实验证明，我们的方法在两个公共数据集 GlaS 和 CRAG 上的表现优于其他腺体分割方法。

    Jan, 2024

  • 基于弱监督的组织学图像腺体分割的在线易例挖掘

    提出了一种在线易学例挖掘（OEEM）方法，该方法鼓励网络专注于可信的监督信号而非噪声信号，从而缓解了伪遮罩中不可避免的误报预测的影响，针对腺体数据集的特点，设计了强大的腺体分割框架，其结果在 mIoU 方面超过了许多全监督方法和弱监督方法使腺体分割方法性能提高了 4.4% 和 6.04%。

    Jun, 2022

  • 用神经常微分方程进行个体结肠腺体语义分割

    本篇研究使用 Neural Ordinary Differential Equations（NODE）和 U-Net 架构来改进医学图像分割，并在 GlaS 数据集上证明，它可以提高分割结果同时降低内存负载和参数数量。

    Oct, 2019

  • 多染色多层卷积网络用于多组织乳腺癌图像分割

    我们提出了一种基于卷积神经网络的多类组织分割模型，通过像素对齐的非线性融合实现了局部和全局视野，能够准确检测各种组织类别，并且对于多种染料和扫描仪具有稳定性。

    Jun, 2024

  • 扩张全卷积网络在病理性肺组织语义分割中的应用

    研究利用基于纯卷积神经网络，进行肺部 CT 图像的语义分割，实现自动化诊断使用的计算机辅助诊断系统来提升诊断效率和准确性。

    Mar, 2018

  • 基于形态学启发的无监督腺体分割：选择性语义分组

    设计深度学习算法用于腺体分割对于自动癌症诊断和预后至关重要，然而昂贵的注释成本阻碍了该技术的发展和应用。本文首次尝试探索用于无监督腺体分割的深度学习方法，无需手动注释。为了克服语义分割方法在腺体图像上遇到的挑战，我们引入了关于腺体形态的经验性线索作为额外知识来指导分割过程。我们提出了一种新颖的基于形态学启发的选择性语义分组方法，通过该方法，最终分割网络能够学习关于腺体的综合知识，并产生清晰完整的预测。在 GlaS 和 CRAG 数据集上进行实验，我们的方法在 mIOU 上超过次优方法 10.56%。

    Jul, 2023

  • 结肠组织图像的腺体分割：GlaS 挑战赛

    本研究介绍一个基于自动化方法量化肠道组织形态学的方法，旨在解决在病理学中现代癌症分级中存在的重要挑战。该文章提供了肠道组织图像挑战比赛的概述，包括组织、数据集和评估标准，以及来自表现最好的方法的方法描述和评估结果。

    Mar, 2016

  • DilatedSegNet: 一种用于息肉分割的深度扩张分割网络

    该研究论文利用深度学习技术提出一种新颖的实时结构化模型 ——DilatedSegNet，可用于肠镜检查中息肉分割，其平均 dice coefficient 为 0.90，mIoU 为 0.83，其结果表明该模型具有以实现实时反馈为主导且保留了高分割性能特点的高潜力。

    Oct, 2022