CIA-Net：基于轮廓感知信息聚合的鲁棒细胞核实例分割
计算机视觉与模式识别
2019-03-14 v1
摘要
准确分割细胞核实例是计算机辅助图像分析中提取丰富特征以进行细胞评估及后续诊断与治疗的关键步骤。然而这仍具挑战性，因为细胞核簇广泛存在，且不同器官间形态差异大，使细胞核实例分割易出现过度分割或欠分割。此外，不可避免的主观标注与错标妨碍网络从可靠样本学习，最终降低对未见器官细胞核鲁棒分割的泛化能力。为解决这些问题，我们提出一种新颖的深度神经网络，即轮廓感知信息聚合网络（CIA-Net），其在两个任务特定解码器间具有多级信息聚合模块。该网络并非独立解码器，而是利用细胞核与轮廓间空间和纹理依赖性的优势进行双向任务特定特征聚合。进一步，我们提出一种新颖的平滑截断损失，通过调节损失以减少离群值扰动。因此，网络可专注于从可靠且具信息量的样本学习，从而内在提升泛化能力。在 2018 MICCAI 多器官细胞核分割挑战赛上的实验验证了所提方法的有效性，以显著优势超越其他 35 个竞争团队。
引用
@article{arxiv.1903.05358,
title = {CIA-Net: Robust Nuclei Instance Segmentation with Contour-aware Information Aggregation},
author = {Yanning Zhou and Omer Fahri Onder and Qi Dou and Efstratios Tsougenis and Hao Chen and Pheng-Ann Heng},
journal= {arXiv preprint arXiv:1903.05358},
year = {2019}
}
备注
Accepted for the 26th Conference on Information Processing in Medical Imaging (IPMI 2019)