Dec, 2018

基于可变形多路径集合模型的宫颈涂片细胞核自动分割

PDF
TL;DR本文提出了一种使用可变形多路径集合模型（D-MEM）进行自动宫颈细胞核分割的方法，其中采用 U 形卷积网络作为主干网络，并使用多个具有不同设置的网络构建集合模型，以提高模型的灵活性和准确性，该分割框架在 Herlev 数据集上实现了最新的精度，并具有解决其他医学图像分割任务的潜力。
cervical cancer screeningnuclei segmentationdeformable multipath ensemble modelconvolutional networkmedical image segmentation
发现论文，激发创造
  • 子宫颈癌筛查的可解释乳房细胞表示

    通过使用变分自编码器进行单类分类，本研究提出了一种学习解释性深度宫颈细胞表示的方法，以实现宫颈细胞异常的评分和定位，结果表明该方法能够在不使用异常样本进行模型训练的情况下，实现异常细胞的区分和解释。

    Nov, 2023

  • 基于形态和外观卷积神经网络的子宫颈细胞细粒度分类

    本研究提出了一种基于 CNN 的方法，通过结合细胞图像外观和形态学信息对 Pap 样本中的宫颈细胞进行分类，在 Herlev 宫颈数据集上验证了此方法的分类精度高于传统的手工特征分类方法，可用于宫颈病变的早期诊断。

    Oct, 2018

  • NuCLS: 一种可扩展的众包深度学习方法与数据集，用于细胞核分类、定位和分割

    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

  • 基于 MIScnn 框架的乳腺癌核分割及分析

    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

  • PGU-net+：用于自动宫颈细胞核分割的渐进式增长 U-net+

    通过深度学习，基于 PGU-net + 模型的图像特征提取能够有效地改善子宫颈癌的数量分析。

    Nov, 2019

  • 基于先验自激活图的组织学图像无监督密集细胞核检测和分割

    提出了一种基于自监督学习的方法，其中自激活模块（PSM）从输入图像生成自激活映射，避免标注成本，为后续任务生成伪掩模。该方法采用核的检测网络和核的分割网络，通过自监督学习和语义引导生成来实现最终分割，并在两个公开病理数据集上得到有效性验证。与其他全监督和弱监督方法相比，该方法可以在不进行任何手动注释的情况下获得竞争性能。

    Oct, 2022

  • HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

    通过使用卷积神经网络将核数据分离和分类，进而对数字病理学的工作流程进行优化。

    Dec, 2018

  • 利用组织病理图像中的部分点注释进行弱监督深度细胞核分割

    本文提出了一种基于部分点注释的弱监督分割框架，其中包括两个阶段的半监督策略和深度神经网络的使用，使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。

    Jul, 2020

  • 基于实例感知的无监督核分割学习

    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

  • IRNet: 一种用于重叠宫颈细胞分割的实例关系网络

    本文提出了 Instance Relation Network (IRNet)，通过探索实例关系互动来实现鲁棒性重叠细胞分割，其中 Instance Relation Module 构建细胞关联矩阵，协同不同实例通过上下文信息提高语义一致性，同时提出了一个稀疏约束的 Duplicate Removal Module，消除了分类和定位精度之间的误差，该方法在 Pap smear 图像中的最大宫颈抹片 (CPS) 数据集上表现优异，证明了探索实例关系的有效性。

    Aug, 2019