面向细胞核实例分割与分类的上下文与注意力综述：一种方法探究
计算机视觉与模式识别
2024-07-29 v1 机器学习
摘要
手动标注来自巨像级髓核棕色-赤色染色全切片图像(WSI)中的核团是一项费用高昂且耗时的工作，这意味着自动化的细胞核实例分割与分类算法能够缓解病理学家和临床研究人员的工作负担，同时有助于自动提取临床可解释特征。然而，由于核团形态与色彩特征的高度内部和类别变异性，以及H&E染色对杂质的敏感性，当前的先进算法无法以所需的性能正确检测和分类实例。在本文中，我们假设人工神经网络(ANN)中的上下文与注意力归纳偏置能够增加细胞核实例分割与分类算法的泛化能力。我们对从H&E染色的显微镜成像中进行细胞核实例分割与分类的上下文与注意力方法进行了彻底的调查，同时提供了关于如何通过上下文与注意力应对挑战的全面讨论。此外，我们阐述了当前方法的局限性，并提出了未来研究的想法。作为案例研究，我们将上下文与注意力机制扩展到通用的实例分割与分类方法(Mask-RCNN)和针对细胞核实例分割与分类模型(HoVer-Net)，并在来自多中心结肠核团识别与计数数据集上进行比较分析。尽管病理学家在分析和标注WSI时会在多个层次上依赖上下文并注意察特定感兴趣区域(RoI)，但我们的发现表明，将这种领域知识转化为算法设计并不容易，但要充分利用这些机制，就需要对这些方法有更深入的科学理解。
引用
@article{arxiv.2407.18673,
title = {A Survey on Cell Nuclei Instance Segmentation and Classification: Leveraging Context and Attention},
author = {João D. Nunes and Diana Montezuma and Domingos Oliveira and Tania Pereira and Jaime S. Cardoso},
journal= {arXiv preprint arXiv:2407.18673},
year = {2024}
}