Dec, 2018

HoVer-Net: 多组织组织学图像中细胞核的同时分割和分类

PDF
TL;DR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。
nuclear segmentationclassificationdigital pathologyconvolutional neural networkhistology image
发现论文，激发创造
  • 数字癌症组织的多器官细胞核同时语义分割、实例分割和分类的自底向上三合一框架

    通过引入附加的解码器头部使用独立的加权损失函数，该研究提出了对数字组织学中核的同时实例分割和分类的多阶段方法，以在高质量实例分割和核分类方面取得了显著的性能改进，并且在 19 种类型的组织上具有广泛的适用性和较低的复杂性。

    Aug, 2023

  • NuInsSeg：H＆E 染色组织学图像中核实例分割的全面注释数据集

    我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。

    Aug, 2023

  • 数字显微组织图像分割和分类方法

    本文提出了两个计算机算法，分别用于分割细胞核和分类组织切片图像。采用多尺度深度残差聚合网络实现核物质的准确分割，采用深度学习方法与随机森林回归模型相结合进行图像分类。该算法在 MICCAI 2017 数字病理学挑战赛中取得了较高的精度得分。

    Oct, 2018

  • CellViT: 用于精确细胞分割和分类的视觉 Transformer

    介绍了一种基于 Vision Transformer 的新方法 CellViT，利用大规模的预训练模型，在 PanNuke 数据集上实现对细胞核的自动检测和实例分割的最新性能，并获得了 0.51 的平均全景质量和 0.83 的 F1 检测分数。

    Jun, 2023

  • 组织病理图像中多个器官核分割的深度对抗训练

    利用 cGAN 训练的条件生成模型，基于合成和真实数据，实现了针对不同器官、地点、患者和疾病状态的细胞核分割，优于传统方法。

    Sep, 2018

  • 融合具有不同标签集的数据集以改进细胞核分割和分类

    深度神经网络在组织病理学图像中进行细胞核分割和分类，可以通过自动化细胞计数和形态计量评估帮助病理学家诊断癌症等不同疾病，而训练数据集的大小对深度神经网络的准确性具有重要影响。我们提出的方法是针对具有相关但不相同类别集的多个数据集进行实例分割和分类的深度神经网络训练，通过利用粗到细的类别层次结构并在数据集中使用互斥类别来改善分类性能和推广性能的定量与定性结果。该方法适用于各种损失函数、深度神经网络体系结构和应用领域。

    Oct, 2023

  • 核子亚型分类的跨模态学习

    利用多模态学习在数字病理学中为先前无法分类的细胞类型自动标注，代表着自动标注数字病理学的有希望的进展。

    Jan, 2024

  • 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

  • 无监督高吞吐量定量位相图像中细胞和细胞核的分割

    建议使用无人值守的多阶段分割方法进行细胞核的自动、快速、无监督分割，并利用该方法的定量相位信息来介绍新的细胞质和细胞核特征，以提高细胞学诊断的可行性和可解释性。

    Nov, 2023

  • 深度学习在乳腺癌组织学分类中的应用

    本研究利用深度学习方法，通过提取细胞核密度区域进行分类，通过 fine-tuning 原始的 Inception-v3 卷积神经网络，从而达到了对四种类型的 H&E 染色乳腺组织图像进行分类，并获得了高达 85% 的整体精确度和 93% 的癌症诊断精确度。

    Feb, 2018