nuclei instance segmentation | BriefGPT

关键词nuclei instance segmentation

搜索结果 - 10

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
PDF3 months ago
StainFuser：在多亿像素组织学图像中控制扩散以加速神经风格转移
通过采用基于条件潜在扩散的新型架构，以样式转移任务的方式处理了镜像污染问题，并建立了迄今为止最大的超过 200 万组织学图像数据集 SPI-2M，并使用神经样式转移进行高质量转换，从而在归一化图像的质量方面胜过了现有的 GAN 和手工方法。
PDF4 months ago
SEINE：用于核实例分割的结构编码与交互网络
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
PDF6 months ago
HoVer-UNet：基于 UNet 的多类细胞核分割的 HoVerNet 加速及知识蒸馏
我们提出了一种名为 HoVer-UNet 的方法，用于在组织病理学中对核实例进行分割和分类。我们通过使用 Mix Vision Transformer 作为主干网并配备自定义损失函数来压缩和优化 HoVerNet 的知识，从而实现了与 Ho
PDF7 months ago
通过非确定性的训练时间和确定性的测试时间染色归一化提升基于深度学习的细胞核实例分割的泛化能力
借助数字病理学和自动扫描保存整张组织学图像的显微系统的出现，越来越多地使用计算机方法来分析获取的图像。在各种组织学图像分析任务中，核实例分割在各种临床和研究应用中起着基础作用。然而，深度学习（DL）方法在处理未见数据集时性能通常下降。本文提
PDF10 months ago
循环学习：连接图像级标签和细胞核实例分割
本文提出了一种称为循环学习的新型图像水平弱监督方法，应用于核实例分割，通过将前端分类和后端半监督实例分割任务相结合，循环共享知识，从图像级标签中提取潜在信息，实现更好的优化，其在三个数据集上的实验均表现出优秀的广泛性，并取得了与完全监督方法
PDFa year ago
CVPR在多样病理数据集上进行自监督学习的基准测试
本文介绍了最大规模的自监督学习预训练对计算病理学的影响，并在核实例分割等任务中证明其表现优越，并提出了领域特定技术来提高性能。
PDF2 years ago
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。
PDF4 years ago
CVPR基于全景领域自适应和任务加权的显微镜图像无监督实例分割
本文提出了一种基于 Cycle Consistency Panoptic Domain Adaptive Mask R-CNN 架构的无监督核分割方法，该方法利用荧光显微镜图像进行学习，并引入对源域的偏置特征的动态修正机制，以实现跨数据集的
PDF4 years ago
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
PDF5 years ago