Mar, 2022

基于颜色空间的 HoVer-Net 用于细胞核实例分割和分类

PDF
TL;DR本研究提出了一种基于多通道颜色空间和统一聚焦损失函数（UFL）的核分割和分类方法，同时使用 ConvNeXt 作为 HoVer-Net 模型的编码器，使其能够自动提取区分特征，并使用 SAM 算法确保模型的普适性和达到了 12.489% mPQ + 的测试效果，超越当前 SOTA，适用于多种医学分析应用。
nuclei segmentationmedical analysismachine learningconvnexthover-net
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

  • HoVer-UNet：基于 UNet 的多类细胞核分割的 HoVerNet 加速及知识蒸馏

    我们提出了一种名为 HoVer-UNet 的方法，用于在组织病理学中对核实例进行分割和分类。我们通过使用 Mix Vision Transformer 作为主干网并配备自定义损失函数来压缩和优化 HoVerNet 的知识，从而实现了与 HoVerNet 可比较的性能，并将推理时间减少了三倍。

    Nov, 2023

  • 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

  • TransNuSeg: 用于核分割的轻量级多任务 Transformer

    TransNuSeg 是第一个仅采用 Transformer 框架进行核分割的尝试，解耦了核实例、核边缘和聚集边缘分割等任务，采用了新型的自蒸馏（self distillation）损失和部分共享注意力的方案，取得了比 CA2.5-Net 更好的性能。

    Jul, 2023

  • 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

  • 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

  • 基于 DU-Net 的无监督对比学习在组织学图像癌症分割中的应用

    介绍了一个无监督的癌症组织分割框架，利用深度 U-Net 和对比学习来提取特征并通过卷积随机场进行平滑和去噪，实验表明该方法在癌症分割方面表现竞争力更优于一些常见的有监督网络。

    Jun, 2022

  • 使用三重 U-Net 架构对冰冻切片 H&E 染色组织学图像进行核实例分割

    该研究提出了一种利用 H&E 染色图像的独特光学特性的方法，基于三支 U-Net 架构进行核分割，包括应用分水岭算法进行重叠区域的分离和提高准确性。该方法在 CryoNuSeg 数据集上进行了实验，比现有技术在各项指标上取得了更好的结果，特别是在 AJI 得分方面，证明了三支 U-Net 架构在改进核分割方面的优越性。

    Apr, 2024

  • NCIS：基于深色渐变地图回归和三类像素分类的 Nissl 染色组织学图像强化神经元实例分割

    本文提出了一种基于深度学习的端到端框架，用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞，并测试在细胞实例分割方面的性能表现优于其他深度学习方法。

    Jun, 2023