本文提出了一种基于部分点注释的弱监督分割框架,其中包括两个阶段的半监督策略和深度神经网络的使用,使得核分割的自动化处理不需要大量的标注数据和额外的计算负担。
Jul, 2020
本文提出了一种较少注释的、基于点的核分割方法,引入了一种叫做 PseudoEdgeNet 的辅助网络,可以引导分割网络识别核边缘,提高整个系统的性能。实验表明,在两个公共数据集上,该方法始终优于其他弱监督方法。
Jun, 2019
提出了一种基于自监督学习的方法,其中自激活模块(PSM)从输入图像生成自激活映射,避免标注成本,为后续任务生成伪掩模。该方法采用核的检测网络和核的分割网络,通过自监督学习和语义引导生成来实现最终分割,并在两个公开病理数据集上得到有效性验证。与其他全监督和弱监督方法相比,该方法可以在不进行任何手动注释的情况下获得竞争性能。
Oct, 2022
本文提出了一种只需要部分点标签的弱监督核分割方法,命名为 BoNuS,并证明了其在核分割方面的卓越性能。
Jan, 2024
通过引入点邻域学习、增强训练监督及扩充数据多样性,我们提出了一种弱半监督方法,名为 Point-Neighborhood Learning (PNL) 框架,用于医学图像中的点注释,显著提高了性能并不改变分割网络结构。
May, 2024
本文提出了一种基于超像素指导的用于从弱标注中生成噪声标签的方法(PNS),以及一种基于 MTCL 的 Two-Stage Mean-Teacher-assisted Confident Learning(2SMTCL)方法,用于多类别 OCT 流体分割。实验结果表明,该方法在 OCT 流体分割以及标签去噪方面性能优秀,为眼科领域患者的诊断和治疗提供了高效、准确和实用的解决方案。
Jun, 2023
本文提出了一种新的弱监督全景分割方法,使用逐点标注替代像全监督方法那样使用像素级标签,通过构建端到端的框架同时从逐点标签生成全景伪掩模进行学习,最小化像素到点间的遍历成本以模拟语义相似性、低级纹理线索及高层流形知识,以实现像素解析。在实验中,本文基于 Pascal VOC 及 MS COCO 数据集证明了此方法的有效性及其领先的性能。
使用领域自适应的弱监督核分割框架,通过交叉任务相互作用策略克服伪标签生成的挑战,并通过弱注释数据训练辅助检测任务,设计一种一致特征约束模块来提高领域自适应的效率。此外,我们还开发了伪标签优化和交互式训练方法来提升领域转移能力,实验证明我们的方法在六个数据集上具有优越性能。
Apr, 2024
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。
本论文提出了一种基于 CNN 的方法 NuClick,可以快速收集核、细胞,以及腺体细胞等许多应用于计算机病理学 / 细胞学的计算机处理对象的注释,并提出了一种新的引导信号,使 NuClick 能够分割腺体的边界。在实验证明,NuClick 能够适应不同的目标尺度,对用户输入的不同变化具有强大的鲁棒性,并且提供可靠的标注,对它标准产生的实例分割模型在 LYON19 挑战中获得了第一名。
May, 2020