推动细胞分割模型在成像质谱细胞学中的极限

Feb, 2024

推动细胞分割模型在成像质谱细胞学中的极限

Pushing the limits of cell segmentation models for imaging mass cytometry

Kimberley M. Bird, Xujiong Ye, Alan M. Race, James M. Brown

TL;DR通过去除细胞注释中的 50% ，学习性的分割模型表现的结果只比完整的标签相应的模型降低了 DSC 指标，表明可以至少减少一半的注释时间而不影响性能，并且单一组织模型与多组织模型在新颖组织类型上的性能差异微乎其微，并且通过多次增加最差性能模型的训练可以提高其性能。

Abstract

imaging mass cytometry (IMC) is a relatively new technique for imaging biological tissue at subcellular resolution. In recent years, learning-based segmentation methods have enabled precise quantification of cell type and morphology, but typically rely on large datasets with fully anno

imaging mass cytometry learning-based segmentation imperfect labels dice similarity coefficient segmentation models

发现论文，激发创造

使用小视觉提示进行单次和部分监督的细胞图像分割

本文介绍了一种基于深度学习的微观细胞图像语义分割，提出了针对数据量少的高效学习框架，并提出了一次学习和部分监督学习这两种学习策略以及使用小提示图像的新型分割方法。实验结果证明，与传统方法相比，提出的方法提高了 Dice 系数 (DSC)。

Apr, 2023

多模态细胞分割挑战：迈向通用解决方案

细胞分割是显微图像中定量单细胞分析的关键步骤，现有的细胞分割方法通常针对特定模态或需要手动干预以指定不同实验设置中的超参数。本研究提出了一个多模态细胞分割基准，包括超过 1500 个带标签图像，来自 50 多个不同的生物实验。前几名的参与者开发了一种基于 Transformer 的深度学习算法，不仅超越了现有方法，还可以应用于不同显微成像平台和组织类型的各种显微图像，无需手动参数调整。这个基准和改进的算法为显微成像中更准确和多功能的细胞分析提供了有希望的途径。

Aug, 2023

利用低层次线索的多模态图像细胞分割

多模态显微图像的细胞分割仍然是一个挑战，为了解决这个问题，我们首先开发了一个基于细胞的低级图像特征的自动分类流程，然后训练了一个基于类别标签的分类模型。然后，我们针对每个类别训练了一个单独的分割模型，使用对应类别中的图像。此外，我们还部署了两种类型的分割模型，分别用于分割具有圆形和不规则形状的细胞。此外，为了增强分割模型的效率，我们采用了一种高效且强大的主干模型。在 NeurIPS 2022 Cell Segmentation Challenge 的调优集上评估，我们的方法达到了 F1 得分 0.8795，所有情况的运行时间都在时间容限范围内。

Oct, 2023

简化超声医学图像分割的视觉上下文学习与遮罩图像模型结合的简单框架

新的简单视觉上下文学习（ICL）方法 SimICL 结合被设计用于自监督学习的屏蔽图像建模（MIM）对配对图像进行视觉 ICL，成功地在具有有限注释的腕部超声数据集上验证，对于骨骼结构分割取得了非常高的 Dice 系数（DC）和 Jaccard 指数（IoU），并能减少图像标注需要的人工专家时间，提高超声图像分析中人工智能辅助的实际应用。

Feb, 2024

CellMixer：异质细胞群体的无标注语义细胞分割

近年来，已经提出了几种无监督的细胞分割方法，试图省略对细胞分割模型训练的繁琐像素级注释的要求。本文介绍了一种名为 CellMixer 的创新无标注方法，用于异质细胞群体的语义分割。我们基于数据增强的方法可以通过图像级标签的训练来构建分割模型，我们的结果表明 CellMixer 在多种细胞类型和成像模态下可以实现竞争性的分割性能，展示了该方法在医学成像、细胞生物学和诊断学等领域的可扩展性和潜力。

Dec, 2023

少样本显微镜图像细胞分割

本文提出了一种元学习的方法，通过利用来自不同领域的标注图像数据集和目标领域内有限数量的标注图像数据集来训练通用、适应性强的少样本学习模型，来解决显微镜图像中的细胞分割问题。实验表明，使用标准分割神经网络体系结构，1 到 10 个数据样本的元学习结果有很好的表现。

Jun, 2020

SoftCTM: 基于软实例分割和细胞 - 组织相互作用的细胞检测

研究探讨了基于组织病理学的 H&E 染色全幻灯片图像中细胞的检测和分类，发现基于概率映射的软分割标签能够取得最佳模型性能，结合细胞组织相互作用和测试时增强方法，SoftCTM 在 OCELOT 数据集上达到了 0.7172 的平均 F1-Score，成为 OCELOT 2023 挑战赛中排名第三的模型。

Dec, 2023

形态无关细胞实例分割的少样本适应

通过引入少样本领域自适应方法，仅需要标注新数据中一到五个细胞即可快速调整模型以保持高准确性，在处理具有细长且非凸形态的细菌数据集时，取得了显著的准确度提升。

Feb, 2024

基于深度学习的数字乳腺癌免疫组织化学图像精确自动化量化的实例分割

使用基于深度学习的实例分割体系结构的自动量化方法，成功地将细胞核和膜生物标记物应用于免疫组化染色的胸部肿瘤图像，并集成到开发的网络平台中，作为病理学家的决策支持工具。

Nov, 2023

细胞检测和分割的弱监督多任务学习

本研究使用深度学习算法和点标签编码方法，实现对 PMS2 染色大肠癌和扁桃体组织图像进行单个细胞检测和分割的目标，相比现有技术，本算法在不增加标注工作的情况下显著提高了细胞检测和分割的效果。

Oct, 2019