DFGET：位移场辅助图能量发射器用于腺体实例分割
计算机视觉与模式识别
2023-12-14 v1
摘要
腺体实例分割是腺癌诊断和治疗中一项重要但具有挑战性的任务。现有模型通常通过多任务学习和边界损失约束来实现腺体实例分割。然而，如何处理复杂样本中的腺体粘连和边界不准确问题仍然是一个挑战。在这项工作中，我们提出了一种位移场辅助图能量发射器（DFGET）框架来解决这些问题。具体来说，我们开发了一种基于各向异性扩散的新型消息传递方式来更新节点特征，这可以区分同构图并提高复杂样本的图节点表达能力。使用这种图框架，通过两个图网络分支估计腺体语义分割图和图节点的位移场（DF）。在DF的约束下，提出了一种基于扩散理论的图聚类模块，以提高类内特征一致性和类间特征差异性，并将粘连腺体从语义分割图中分离出来。在GlaS数据集上的大量比较和消融实验证明了DFGET的优越性以及所提出的各向异性消息传递方式和聚类方法的有效性。与最佳比较模型相比，DFGET将object-Dice和object-F1分数分别提高了2.5%和3.4%，同时将object-HD降低了32.4%，达到了最先进的性能。
引用
@article{arxiv.2312.07584,
title = {DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation},
author = {Caiqing Jian and Yongbin Qin and Lihui Wang},
journal= {arXiv preprint arXiv:2312.07584},
year = {2023}
}
备注
10 pages, 6 figures