- 细胞图像分割模型在显微镜光学像差下的可靠性基准测试
细胞分割在生物医学研究中对于分析细胞形态与行为至关重要。深度学习方法特别是卷积神经网络(CNNs)通过从图像中提取复杂特征,对细胞分割进行了革命性的突破。然而,这些方法在显微镜光学像差下的鲁棒性仍然是一个重要挑战。本研究使用 Dynamic - Cyto R-CNN 和 CytoNuke 数据集:朝着亮场组织学图像的可靠整个细胞分割
我们提出的新的 Cyto R-CNN 架构在整个细胞分割方面优于现有算法,同时提供比任何其他模型更可靠的细胞测量,这可能改善数字病理学工作流程,进而提高诊断水平。此外,我们发布的数据集可以用于未来的模型开发。
- 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 - 人脑细胞分布图像修复的去噪扩散概率模型
使用最新的成像和高性能计算技术实现了在细胞水平对整个人脑进行成像,为研究人脑的多尺度结构(包括大脑区域和核团的划分、皮层层次、纵列和细胞群体)提供了基础。本研究提出了一种基于噪声扩散概率模型(DDPM)的模型,通过训练细胞染色切片的光镜扫描 - DistNet2D:利用远程时间信息进行高效分割和跟踪
利用 DistNet2D 模型进行细胞分割和跟踪的研究,该模型利用长期的时间背景信息来提高分割准确性,取得了在两组实验数据上比现有方法更好的性能,最终将其应用于细胞形态与运输属性的相关性研究。
- 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 - CUPre:跨域无监督预训练用于少样本细胞分割
通过跨域无监督预训练 (CUPre),利用未标记的细胞图像将目标检测和实例分割的能力从 Common Objects in Contexts (COCO) 数据集转移到细胞图像领域,从而实现对少样本细胞分割的预训练,最终实验结果表明 CUP - 注意力去稀疏化的重要性:在数字病理学表示学习中诱导多样性
我们提出了 DiRL,一种多样性诱导的组织病理学成像表示学习技术。通过细胞分割密集提取多个组织病理学特定表示,并提出了一种先验引导的密集预训练任务,以匹配视图之间的多个对应表示。通过定量和定性分析肿瘤类型任务的多个任务,我们证明了我们方法的 - ICCVTYC 数据集分析微结构中细胞的实例级语义和运动
本文介绍了用于理解微结构中细胞实例级语义和运动的全新数据集,提供了 105 个密集标注的高分辨率亮场显微镜图像和 19k 个实例遮罩,以及 261 个精选的视频剪辑,包括 1293 个高分辨率显微镜图像,便于对细胞运动和形态进行无监督理解。 - 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 - NCIS:基于深色渐变地图回归和三类像素分类的 Nissl 染色组织学图像强化神经元实例分割
本文提出了一种基于深度学习的端到端框架,用于自动分割染有尼氏小体的脑组织组织切片中的单个神经元细胞,并测试在细胞实例分割方面的性能表现优于其他深度学习方法。
- 分子驱动学习使普通注释员实现病理图像分割民主化
本研究提出了使用临床外行人士标注部分标签的分子化学学习方案,通过分子 - 形态学的跨模态配准,基于分子的标注和分子导向的分割模型,将病理学 AI 模型转向外行人士级别,从而实现了细胞分割的多类分割,并且整合了深度校正学习方法来进一步提高分割 - 揭示吞噬作用:可扩展和可解释的深度学习框架用于神经退行性疾病分析
本研究提出了一种全自动、可扩展的实时框架,用于定量和分析噬菌作用,使用可解释的深度学习模块以提高深度学习方法的可解释性,并将其应用于前颞叶痴呆症(FTD)中微胶质细胞噬菌作用的量化和分析,得出了将 FTD 变异细胞与对照组细胞相比较具有更大 - MEDIAR: 多模式显微镜数据中心和模型中心的协调
用于多模态高分辨率显微镜图像的弱监督细胞分割是一个基本任务。本文提出了 MEDIAR,这是一个周全的细胞实例分割流程,将数据中心和模型中心方法相结合,实现了在多模态下的高效分割。
- 从相邻染色组织中学习黑色素细胞掩膜
本文提出了使用深度神经网络实现黑色素细胞分割的方法,以解决由病理学家不一致性引起的黑色素瘤诊断的问题。通过使用免疫组化切片进行训练,最终得到了可靠的结果。
- MM针对多种细胞类型和成像方式的活细胞图像训练通用实例分割网络
本文探讨了通用细胞类型和成像方式的分割网络训练,并发现了一些训练技巧和共性特征,提高了分割性能。实验结果表明,我们的方法能够适用于全新的数据集。
- ICMLC2G-Net:利用形态属性进行图像分类
该研究提出了一种名为 C2G-Net 的图像分类管道,旨在利用具有大量类似物体(如生物细胞)的图像的形态特性。C2G-Net 包括两个组成部分:(1) Cell2Grid,一种通过细胞分割并将其排列在网格上的图像压缩算法;(2) DeepL - KDD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 - 多细胞追踪的联合多帧检测和分割
本文介绍了一种利用 UNet 进行多细胞跟踪的方法,提出了一种检测和细胞分割相结合的解决方案来解决高密度细胞群分割难题,并提高了检测细胞有丝分裂的能力,实验结果表明其优于当前最先进的方法。
- 星形凸多边形细胞检测
本文研究了利用卷积神经网络实现细胞和细胞核在显微镜图像中的自动检测和分割,并结合星形多边形对细胞核进行定位,避免边界交叉和形状的偏差带来的分割错误的影响。研究结果表明该方法在合成数据集和荧光显微镜图像分割上有很好的效果。