用于组织病理学图像中细胞核分割的弯曲损失正则化网络
图像与视频处理
2020-02-05 v1 机器学习
机器学习
摘要
分离重叠的细胞核是组织病理学图像分析中的一个主要挑战。最近发表的方法在公共数据集上取得了有前景的整体性能；然而，它们在分割重叠细胞核方面的性能有限。为解决该问题，我们提出了用于细胞核分割的弯曲损失正则化网络。所提出的弯曲损失对具有大曲率的轮廓点定义高惩罚，并对具有小曲率的轮廓点施加小惩罚。最小化弯曲损失可避免生成包含多个细胞核的轮廓。所提出的方法在 MoNuSeg 数据集上使用五个定量指标进行了验证。它在以下指标上优于六种最先进的方法：Aggregate Jaccard Index、Dice、Recognition Quality 和 Pan-optic Quality。
引用
@article{arxiv.2002.01020,
title = {Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images},
author = {Haotian Wang and Min Xian and Aleksandar Vakanski},
journal= {arXiv preprint arXiv:2002.01020},
year = {2020}
}
备注
4 pages, 5 figures, 2020 IEEE 17th International Symposium on Biomedical Imaging (ISBI), accepted