数字细胞学中的细胞检测深度学习方法比较
计算机视觉与模式识别
2026-01-15 v1
摘要
准确且高效的细胞检测对于许多生物医学图像分析任务至关重要。我们评估了几种深度学习 (DL) 方法在Papanicolaou染色的细胞学全切片图像 (WSIs) 中的细胞检测性能，重点关注预测的准确性和计算效率。我们检验了最新的即插即用算法以及定制设计的检测器，应用于两个数据集：CNSeg 数据集和口腔癌 (OC) 数据集。我们的比较包括诸如 StarDist、Cellpose 和 Segment Anything Model 2 (SAM2) 等已建立的分割方法，以及基于中心点的 Fully Convolutional Regression Network (FCRN) 方法。我们引入了合适的评估指标来评估基于预测位置与真实位置距离的准确性。我们还探讨了数据集大小和数据增强技术对模型性能的影响。结果表明，基于中心点的检测方法，特别是改进的 Fully Convolutional Regression Network (IFCRN) 方法，在检测准确性和计算效率方面均优于分割方法。该研究突显了在资源受限环境中采用基于中心点的方法进行细胞检测的潜力，这些方法在不牺牲准确性的前提下，提供更快的处理速度和更低的 GPU 内存占用。
引用
@article{arxiv.2504.06957,
title = {A Comparison of Deep Learning Methods for Cell Detection in Digital Cytology},
author = {Marco Acerbis and Nataša Sladoje and Joakim Lindblad},
journal= {arXiv preprint arXiv:2504.06957},
year = {2026}
}
备注
14 pages, 6 figures, SCIA2025