Nov, 2023

释放基于提示驱动的核实例分割的力量

PDF
TL;DR本研究提出了一种新颖的基于提示的框架，包括一个点提示器和一个用于自动核实例分割的段装置模型。通过学习为每个细胞核生成唯一的点提示，并将段装置模型微调为输出相应的细胞核掩模，我们的方法在三个具有挑战性的基准测试上取得了最新的性能。
nuclear instance segmentationhistology imagessegment anything modelpoint prompterautomatic nuclei instance segmentation
发现论文，激发创造
  • UN-SAM：通用无提示分割广义细胞核图像

    提出了一种全自动解决方案，名为通用无提示的 SAM 框架 (UN-SAM)，用于细胞核分割，具有优异的泛化能力，通过自动生成高质量掩膜提示来引导分割任务，并利用可学习的域查询来进行不同核域中的分割。

    Feb, 2024

  • 关于组织学图像中核实例分割的区段任何模型的普适性

    通过在大规模多样化数据集上进行预训练，SAM 模型是计算机视觉领域针对目标分割任务的第一个可提示的基础模型。本文评估了 SAM 在零样本学习和微调下的核实例分割性能，将其与其他代表性方法在核实例分割中尤其是模型泛化能力的背景下进行比较，并提出使用核实例检测模型来为 SAM 提供核实例的边界框或中心点作为视觉提示，从组织学图像中生成核实例掩模。

    Jan, 2024

  • Segment Any Cell: 基于 SAM 的自动提示微调框架用于细胞核分割

    通过引入改进的像素级图像分割模型 Segment Any Cell (SAC)，结合自动生成的实用提示和先进的 Fine-Tuning 技术，在核分割领域实现了优于现有 SOTA 方法的性能提升。

    Jan, 2024

  • 基于 SAM 的弱监督细胞分割中的引导提示

    利用弱监督方法，在细胞分割的任务中使用 Segment Anything 模型（SAM），通过对象检测器的输出作为测试时的提示信息（D-SAM），以及 SAM 作为伪掩膜生成器在训练数据上训练一个独立的分割模型（SAM-S），并通过整数规划的方法协调两组分割掩膜，从而实现更高的性能。在公开的细胞分割数据集上进行了实验，结果显示所有基于 SAM 的解决方案明显优于现有的弱监督图像分割模型，增益在 9-15 个百分点之间。

    Nov, 2023

  • PromptUNet: 拟人化交互式医学图像分割

    本文针对现有 Prompt 模型在医学图像分割方面的表现较差的问题，将 Prompt-based segmentation 和 UNet 结合起来设计出一种新的医学图像分割模型 ——PromptUNet，并新添了 Supportive Prompts 和 En-face Prompts 等 Prompt 类型，实验结果表明 PromptUNet 在医学图像分割上的精度高于当前主流的 nnUNet、TransUNet、UNetr、MedSegDiff 和 MSA 等方法。

    May, 2023

  • All-in-SAM：从弱注释到基于提示微调的像素级细胞核分割

    本文提出了一个称为 all-in-SAM 的流程，通过将 SAM 用于整个 AI 开发工作流（从注释生成到模型微调），而无需在推理阶段使用手动提示，取代了在推理阶段使用提示的方法，可以在不需要手动提示的情况下更好地完成生物医学图像分割任务，并在公共数据集 Monuseg 上的一个核分割任务中超越了最先进的方法，并且使用弱注释进行 SAM 微调的实验结果表明其性能相对于使用强像素注释数据的方法而言具有竞争力。

    Jul, 2023

  • 基于视觉基础模型的遥感实例分割提示学习

    本文提出了一种基于 SAM 模型和 Prompt 学习的自动遥感图像实例分割方法（RSPrompter），并将其与其他常用的方法进行比较，结果证明该方法有效。

    Jun, 2023

  • 增强医学图像分割的基础模型多提示微调技术

    我们引入了一种新颖的微调框架，通过批处理基于真实掩蔽的边界框引入批量提示策略，以提高 Segment Anything Model 在医学图像上的性能表现和广泛的分割任务中解决医学图像中常见的复杂性和模糊性。

    Oct, 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

  • SPPNet：一个用于细胞核图像分割的单点提示网络

    该研究提出了一种用于细胞核图像分割的单点提示网络（SPPNet），以取代现有的大量参数的图像编码器，并使用高斯核的新的点采样方法，实现了更快的训练收敛速度和推理速度，并在医疗临床应用方面更具可行性。

    Aug, 2023