Aug, 2024

NuSegDG：异构空间与高斯核的整合用于领域广义核 segmentation

HTML
PDF
TL;DR本研究针对领域广义核分割中的模型通用性问题，通过引入异构空间适配器和高斯核提示编码器，解决了现有方法在医学图像适应性差和手动提示需求高的缺陷。实验结果表明，NuSegDG在核实例分割上表现出优越的领域泛化能力，具有显著的潜在应用价值。
发现论文，激发创造
  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • 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

  • DAWN: 基于跨任务相互作用的领域自适应弱监督核分割

    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

  • NuSegDG：异构空间与高斯核的结合用于领域泛化细胞核分割

    本研究解决了领域泛化细胞核分割模型在面对不同图像条件和细胞类型时的泛化能力不足的问题。提出的NuSegDG框架通过异构空间适配器和高斯核提示编码器来有效生成细胞核分割，减少了人工干预的需求。实验结果表明，NuSegDG在细胞核实例分割任务中表现出卓越的领域泛化能力。

    Aug, 2024