DeGPR：用于多类细胞检测与计数的深度引导后验正则化
计算机视觉与模式识别
2023-04-04 v1
摘要
多类细胞检测与计数是许多病理诊断中的一项基本任务。人工计数繁琐且常导致病理医生间的观察者间差异。尽管存在多种通用的基于深度学习的对象检测与计数方法，但由于数据有限、存在微小重叠对象、多种细胞类型、严重类别不平衡、细胞大小/形状上的细微差异等原因，它们可能不易迁移到医学图像中的细胞检测与计数。为此，我们提出引导后验正则化（DeGPR），它通过引导对象检测器利用细胞间的判别性特征来辅助检测。这些特征可由病理医生提供或直接从视觉数据推断。我们在两个公开数据集（CoNSeP和MoNuSAC）以及我们贡献的新数据集MuCeD上验证了模型。MuCeD由55张人十二指肠活检图像组成，用于预测乳糜泻。我们在三个数据集上以三个对象检测基线进行了大量实验，表明DeGPR与模型无关，且一致地改进基线，获得高达9%（绝对）的mAP提升。
引用
@article{arxiv.2304.00741,
title = {DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell Detection and Counting},
author = {Aayush Kumar Tyagi and Chirag Mohapatra and Prasenjit Das and Govind Makharia and Lalita Mehra and Prathosh AP and Mausam},
journal= {arXiv preprint arXiv:2304.00741},
year = {2023}
}