CIA-Net: 轮廓感知信息聚合实现稳健的细胞核实例分割
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
深度学习模型可用于解决病理图像分析中的细胞核分割问题,但对于多领域的鲁棒模型训练仍然是一个巨大的挑战。本研究提出一种名为 CausalCellSegmenter 的新型框架,通过结合因果推断模块(CIM)和多样化聚合卷积(DAC)技术,克服了背景噪声、细胞核高度重叠和边缘模糊等问题,实现了更好的结果表现。在 MoNuSeg-2018 数据集上的大量实验中,该方法在 mIoU 和 DSC 得分上分别提高了 3.6% 和 2.65%,并超越了其他最先进的方法。
Mar, 2024
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
提出了一种使用混合注意力残差 U 块的双分支网络进行细胞核实例分割的方法,并引入了后处理方法来区分重叠的细胞核并生成实例分割图像。实验证明该方法在 BNS、MoNuSeg、CoNSeg 和 CPM-17 数据集上取得了优异性能。
Aug, 2023
本文提出了一种较少注释的、基于点的核分割方法,引入了一种叫做 PseudoEdgeNet 的辅助网络,可以引导分割网络识别核边缘,提高整个系统的性能。实验表明,在两个公共数据集上,该方法始终优于其他弱监督方法。
Jun, 2019
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
准确的核分割对于癌症诊断至关重要。本文提出了一种将 U-Net 架构与 DenseNet-121 主干相结合的分割方法,利用两者的优势捕捉全面的上下文和空间信息。我们的模型引入了小波引导通道注意模块以增强细胞边界勾画,并使用可学习的加权全局注意模块进行通道特定的注意。解码器模块进一步完善了染色图案处理中的分割。在 Monuseg 和 TNBC 两个公开可访问的组织病理学数据集上进行的实验结果突显了我们提出模型的优越性,显示了其推动组织病理学图像分析和癌症诊断的潜力。代码可在此链接获得:[this https URL]
Jun, 2024
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