Jan, 2024

SEINE：用于核实例分割的结构编码与交互网络

PDF
TL;DR该研究提出了一种名为 SEINE 的结构编码和交互网络，用于核实例分割，在生物分析和癌症诊断中具有重要意义。SEINE 通过引入轮廓为基础的结构编码（SE），结构引导的注意力（SGA），语义特征融合（SFF）和位置增强（PE）等方法，提高了核结构建模和分割实例的完整性，在四个数据集上实现了最先进的性能。
nuclei instance segmentationbiological analysiscancer diagnosisstructure encodingseine
发现论文，激发创造
  • 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

  • NuInsSeg：H＆E 染色组织学图像中核实例分割的全面注释数据集

    我们发布了一个大规模的手工标注的细胞核数据集 NuInsSeg，其中包含来自 31 个人和小鼠器官的 665 个图像补丁，超过 30,000 个手动分割的细胞核。此外，我们首次提供了整个数据集的模糊区域掩模，用于表示图像的某些部分即使对于人类专家来说也无法精确和确定地进行手动注释。

    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

  • 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

  • 用于高效标注核实例分割的少样本学习

    在这篇论文中，我们提出了一种基于元学习的结构引导广义少样本实例分割（SGFSIS）框架，用于有效标注细胞核实例分割。实验证明，SGFSIS 在少于 5％的标注数据情况下，优于其他注释效率学习方法，包括半监督学习和简单迁移学习，并且与完全监督学习相当。

    Feb, 2024

  • 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

  • 释放基于提示驱动的核实例分割的力量

    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。

    Nov, 2023

  • 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

  • 使用遮罩图像建模学习细胞核表示

    本文介绍了一种称为 Masked Image Modeling 的自监督学习范例在医学图像分析中的潜在应用能力，并使用 Bidirectional Encoder Representation from Image Transformers 模型对荧光素 & 伊红染色图像的细胞核进行了预编码，经实验证明，我们的模型在分类任务方面有较好的泛化能力和准确性。

    Jun, 2023

  • 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