DARC:用于可推广核分割的分布感知重新着色模型
对于医学领域中的复杂数据,提出了一种利用计算机视觉数据进行无监督实例分割的方法,该方法使用了 Domain Adaptive Region-based Convolutional Neural Network (DARCNN) 来缩小不同视觉数据集之间的域差异。
Apr, 2021
我们首次提出了开放式复合域适应(OCDA),明确考虑组织病理学领域内的异质性,并引入两阶段分离框架来获取图像和实例层面的领域不变特征表示,以解决核心问题。实验证明我们的方法在各种不同数据集的跨模态和跨染色情况下优于最先进的无监督域自适应和 OCDA 方法。
Jan, 2024
本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法,该方法利用荧光显微镜图像进行学习,并引入对源域的偏置特征的动态修正机制,以实现跨数据集的域适应,实验结果表明,该方法在三个数据集上优于最先进的无监督域自适应方法,同时表现出类似于完全监督方法的性能。
May, 2020
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
该研究开发了一种新方法,使用人工智能算法解决乳腺癌组织病理学图像 HER2 染色的颜色标准化问题,该方法将颜色分离方法与 Pix2Pix GAN 网络相结合,以保持细胞的 HER2 评分,并在维持细胞类别的同时生成逼真的图像。
May, 2023
本文提出了一种使用扩散模型的现实数据合成方法,以平衡核类别和扩大观察各种核的机会,并使用语义标签条件扩散模型来生成逼真且高质量的图像样本,证明该方法提高了罕见类型的核分类的分类性能,同时在不平衡病理核数据集中显示出卓越的分割和分类性能。
Jun, 2023
提出一种前景调和框架(ARHNet)来解决 MRI 扫描的强度不均匀问题和使合成图像看起来更加逼真的问题,实验结果表明此方法在提高分割性能方面表现优异。
Jul, 2023
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
借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现,越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中,核实例分割在各种临床和研究应用中起着基础作用。然而,深度学习(DL)方法在处理未见数据集时性能通常下降。本文提出了一种改进基于 DL 的自动分割方法泛化能力的新方法,该方法利用一种最先进的基于 DL 的模型作为基准,并将非确定性训练时间和确定性测试时间染色归一化结合起来。实验结果表明,与基线分割模型相比,提出的方法在基于 Dice 分数、聚合 Jaccard 指数和全景质量得分分割核实现方面分别提供了高达 5.77%、5.36%和 5.27%的性能改进。
Sep, 2023