DARC：面向可泛化细胞核分割的分布感知重着色模型
计算机视觉与模式识别
2023-09-04 v1
摘要
细胞核分割通常是病理图像分析任务的第一步。可泛化细胞核分割指的是训练一个对源域与目标域之间域间隙具有鲁棒性的分割模型的问题。域间隙通常被认为是由变化的图像采集条件引起的，例如不同的扫描仪、组织或染色方案。本文中，我们指出域间隙也可能由不同的前景（细胞核）-背景比例引起，因为该比例显著影响对归一化层至关重要的特征统计。我们提出了一种分布感知重着色（DARC）模型，从两个角度应对上述挑战。首先，我们引入一种重着色方法，缓解不同域之间剧烈的图像颜色变化。其次，我们提出一种新的对前景-背景比例变化鲁棒的实例归一化方法。我们在两个 H&E 染色图像数据集（名为 CoNSeP 和 CPM17）以及两个 IHC 染色图像数据集（称为 DeepLIIF 和 BC-DeepLIIF）上评估了所提方法。大量实验结果证明了我们所提 DARC 模型的有效性。代码见 \url{https://github.com/csccsccsccsc/DARC}
引用
@article{arxiv.2309.00188,
title = {DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation},
author = {Shengcong Chen and Changxing Ding and Dacheng Tao and Hao Chen},
journal= {arXiv preprint arXiv:2309.00188},
year = {2023}
}
备注
Accepted by MICCAI 2023