Aug, 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

PDF
TL;DR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。
nucleus image segmentationdual-branch networkhybrid attentioninstance segmentationcontext fusion block
发现论文，激发创造
  • 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

  • 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

  • 基于颜色空间的 HoVer-Net 用于细胞核实例分割和分类

    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。

    Mar, 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

  • CIA-Net: 轮廓感知信息聚合实现稳健的细胞核实例分割

    提出一种名为 CIA-Net 的新型深度神经网络，它具有多级信息聚合模块和双向聚合任务专用功能。通过作用于细胞核和轮廓的特征，可以减少分割中存在的问题，从而增强该网络对未见组织的分割能力，同时在 2018 年 MICCAI 挑战赛中证明了该方法的有效性。

    Mar, 2019

  • 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

  • RA-UNet：一种用于提取 CT 扫描中肝脏和肿瘤的混合深度关注网络

    提出了一种名为 RA-UNet 的三维残差关注分割方法，可精确提取肝脏感兴趣体积并从该体积分割肿瘤。结果表明，该架构在肝肿瘤分割任务上胜过其他最先进的方法，并在脑肿瘤分割任务上取得良好的性能表现。

    Nov, 2018

  • 基于注意力机制残差双 U-Net 的医学图像分割

    提出了一种名为 AttResDU-Net 的基于注意力机制的残差双 U-Net 架构，旨在提高医学图像分割的效率，以实现自动肺癌和皮肤癌的快速准确诊断。

    Jun, 2023

  • 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

  • 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