Bend-Net：用于组织病理学图像核分割的弯曲损失正则化多任务学习网络
图像与视频处理
2021-10-01 v1 计算机视觉与模式识别
机器学习
定量方法
摘要
分离重叠细胞核是组织病理学图像分析中的一大挑战。近期发表的方法在细胞核分割上已取得可喜的整体性能；然而，其在分离重叠细胞核方面的性能相当有限。为解决该问题，我们提出一种带弯曲损失正则器的新型多任务学习网络，以精确分离重叠细胞核。新提出的多任务学习架构通过从三个任务学习共享表示来增强泛化性：实例分割、细胞核距离图预测与重叠细胞核距离图预测。所提出的弯曲损失对具有大曲率的凹轮廓点定义高惩罚，并对具有小曲率的凸轮廓点施加小惩罚。最小化弯曲损失可避免生成包含多个细胞核的轮廓。此外，设计了两个新定量指标——重叠细胞核聚合Jaccard指数（AJIO）与重叠细胞核准确率（ACCO）——用于评估重叠细胞核分割。我们在CoNSeP与MoNuSegv1数据集上利用七个定量指标验证所提方法：聚合Jaccard指数、Dice、分割质量、识别质量、全景质量、AJIO与ACCO。大量实验表明，所提Bend-Net优于八种最先进方法。
引用
@article{arxiv.2109.15283,
title = {Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images},
author = {Haotian Wang and Aleksandar Vakanski and Changfa Shi and Min Xian},
journal= {arXiv preprint arXiv:2109.15283},
year = {2021}
}
备注
arXiv admin note: text overlap with arXiv:2002.01020