CausalCellSegmenter：因果推理启发的多样化聚合卷积用于病理图像分割
图像与视频处理
2024-03-12 v1 计算机视觉与模式识别
机器学习
摘要
深度学习模型在病理图像分析领域的细胞核分割方面显示出令人期待的性能。然而，从多个域训练一个鲁棒的细胞核分割模型仍然是一个巨大的挑战。此外，背景噪声、细胞核之间高度重叠以及边缘模糊等缺点往往导致性能不佳。为了应对这些挑战，我们提出了一种名为 CausalCellSegmenter 的新颖框架，该框架结合了因果推理模块（CIM）与多样化聚合卷积（DAC）技术。DAC 模块旨在通过一个简单的无参数注意力模块（SimAM）整合多样化的下采样特征，以克服误识别和边缘模糊的问题。此外，我们引入 CIM 来利用样本加权，通过直接去除每个输入样本特征之间的虚假相关性，并更多地关注特征与标签之间的相关性。在 MoNuSeg-2018 数据集上的大量实验取得了令人期待的结果，优于其他最先进的方法，其中 mIoU 和 DSC 分数分别提高了 3.6% 和 2.65%。
引用
@article{arxiv.2403.06066,
title = {CausalCellSegmenter: Causal Inference inspired Diversified Aggregation Convolution for Pathology Image Segmentation},
author = {Dawei Fan and Yifan Gao and Jiaming Yu and Yanping Chen and Wencheng Li and Chuancong Lin and Kaibin Li and Changcai Yang and Riqing Chen and Lifang Wei},
journal= {arXiv preprint arXiv:2403.06066},
year = {2024}
}
备注
10 pages, 5 figures, 2 tables, MICCAI