MMNov, 2019

PGU-net+：用于自动宫颈细胞核分割的渐进式增长 U-net+

PDF
TL;DR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。
automated cervical nucleus segmentationdeep learningpgu-net+image feature extractionherlev dataset
发现论文，激发创造
  • 基于 GRU 网络的乳腺组织病理图像分割

    本研究提出了一种改进的 MultiResU-Net 用于组织病理学图像分割，该模型通过多尺度分析和分割复杂特征，并通过跳跃连接确保有效的特征传递；改进版本还利用基于高斯分布的注意力机制在高斯分布中合并与组织病理学相关的文本信息；最后，通过对 MultiResU-Net 的跳跃连接采用控制稠密残差块，以从编码器层向解码器层传递信息，使用从提取的空间特征导出的缩放参数，以控制的方式进行传递。验证实验表明，在 TNBC 和 MonuSeg 等两种不同类型的乳腺癌组织病理学图像数据集上，与现有方法相比，该方法展现出卓越的分割性能。该模型的代码可在该 https URL 找到。

    Jun, 2024

  • UGGNet: U-Net 和 VGG 的高级乳腺癌诊断桥梁

    UGGNet 是一种结合了 U-Net 和 VGG 架构的新型模型，用于增强乳腺超声图像分析的性能，提供准确的乳腺超声图像诊断的综合解决方案。

    Jan, 2024

  • AWGUNET: 基于注意力引导小波 U-Net 的组织病理图像细胞核分割

    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

  • 通过不确定性校正的金字塔一致性，高效半监督鼻咽癌毛体积分割

    本文提出了一种基于 Uncertainty Rectified Pyramid Consistency (URPC) 正则化的半监督支持下的鼻咽癌（NPC）GTV 分割框架，通过在不同尺度上监督网络和利用未标记的图像实现了出色的分割性能。

    Dec, 2020

  • 利用 HARU-Net 增强细胞核分割：一种混合注意力残差 U - 块网络

    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

  • 基于多尺度 MPU-Net 的 3D 医学图像分割

    本文提出了一种基于 Transformer 和 MPU-Net 的肿瘤分割模型，该模型结合了图像串行化和位置注意力模块，旨在理解更深层次上的上下文依赖关系和实现更准确的位置定位，并在肝脏肿瘤分割挑战中表现出优异的性能。

    Jul, 2023

  • 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

  • 基于可变形多路径集合模型的宫颈涂片细胞核自动分割

    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。

    Dec, 2018

  • OCU-Net：一种用于增强口腔癌分割的新型 U-Net 架构

    准确检测口腔癌对于改善患者预后至关重要。然而，在这一领域面临两个关键挑战：缺少专门针对口腔癌的深度学习图像分割研究和缺乏带注释的数据。我们的研究提出了 OCU-Net，这是一种独特设计的 U-Net 图像分割架构，专门用于检测血红蛋白和嗜酸性染色（H&E）图像数据集中的口腔癌。OCU-Net 融合了先进的深度学习模块，如通道和空间注意力融合 (CSAF) 模块，这是一种强调 H&E 图像中重要通道和空间区域并探索上下文信息的新颖特性。此外，OCU-Net 还集成了其他创新组件，如挤压激励 (SE) 注意力模块、空洞空间金字塔池化 (ASPP) 模块、残差块和多尺度融合。这些模块的结合在本研究中展现出对两个数据集的口腔癌分割的优越性能。此外，我们有效利用了高效的预训练 ImageNet 的 MobileNet-V2 模型作为 OCU-Net 的骨干网络，创建了 OCU-Netm，一个达到最先进结果的增强版本。全面评估表明，OCU-Net 和 OCU-Netm 优于现有的分割方法，在 OCDC 和 ORCA 数据集的 H&E 图像中准确识别癌细胞。

    Oct, 2023

  • 多级感知边界引导网络用于超声图像中乳腺病变分割

    提出了一种 PBNet 方法，由多级全局感知模块（MGPM）和边界引导模块（BGM）组成，用于从超声图像中分割乳腺肿瘤。在 MGPM 中，建模了单层特征图中体素之间的长程空间依赖关系，然后融合了多级语义信息以提高模型对非增强肿瘤的识别能力。在 BGM 中，使用最大池化的膨胀和侵蚀效果从高级语义图中提取肿瘤边界，并利用这些边界来引导低级和高级特征的融合。通过对公开可用数据集和院内数据集进行的广泛对比实验表明，所提出的 PBNet 在定性可视化结果和定量评估指标方面优于现有的方法，Dice 分数、Jaccard 系数、特异性和 HD95 分别提高了 0.70%、1.1%、0.1% 和 2.5%。此外，割舍实验证明了所提出的 MGPM 对于区分非增强肿瘤以及 BGM 和 BS 损失对于优化肿瘤的分割轮廓也是有帮助的。

    Oct, 2023