一种不依赖机器学习的荧光图像分割方法
计算机视觉与模式识别
2022-12-29 v1 人工智能
摘要
背景：数字病理学中的图像分析应用包括多种用于分割感兴趣区域的方法。其识别是最复杂的步骤之一，因此对于研究不一定依赖机器学习 (ML) 方法的鲁棒方法具有很大意义。方法：针对不同数据集的全自动且优化的分割流程是对间接免疫荧光 (IIF) 原始数据进行分类与诊断的先决条件。本研究描述了一种用于识别细胞与细胞核的确定性计算神经科学方法。它远不同于常规的神经网络方法，但在定量与定性性能上与之相当，并且对对抗性噪声也具有鲁棒性。该方法鲁棒、基于形式正确的函数，且不受特定数据集调参的困扰。结果：本工作展示了该方法针对图像尺寸、模式与信噪比等参数可变性的鲁棒性。我们在两个数据集（Neuroblastoma 与 NucleusSegData）上验证了该方法，所用图像由独立的医师标注。结论：从功能到结构视角定义确定性与形式正确的方法，保证了获得优化且功能正确的结果。我们的确定性方法 (NeuronalAlg) 从荧光图像中分割细胞与细胞核的优异性能通过定量指标进行了度量，并与三种已发表的 ML 方法所得结果进行了比较。
引用
@article{arxiv.2212.13945,
title = {A Segmentation Method for fluorescence images without a machine learning approach},
author = {Giuseppe Giacopelli and Michele Migliore and Domenico Tegolo},
journal= {arXiv preprint arXiv:2212.13945},
year = {2022}
}
备注
25 pages