DoNet：用于细胞学实例分割的深度去重叠网络
计算机视觉与模式识别
2023-03-28 v1 人工智能
摘要
细胞学图像中的细胞实例分割对生物学分析与癌症筛查具有重要意义，但由于 1）造成边界模糊的广泛重叠半透明细胞簇，以及 2）类核物与碎片作为细胞核带来的混淆，仍具挑战性。本工作中，我们以分解-重组策略提出一种去重叠网络（DoNet）。双路区域分割模块（DRM）显式地将细胞簇分解为交集与补集区域，随后由语义一致性引导的重组模块（CRM）进行整合。为进一步引入细胞质中细胞核的包含关系，我们设计了一种掩码引导的区域提议策略（MRP），其整合细胞注意力图以进行细胞内实例预测。我们在 ISBI2014 与 CPS 数据集上验证了所提方法。实验表明，我们的 DoNet 显著优于其他当前最优（SOTA）细胞实例分割方法。代码见 https://github.com/DeepDoNet/DoNet。
引用
@article{arxiv.2303.14373,
title = {DoNet: Deep De-overlapping Network for Cytology Instance Segmentation},
author = {Hao Jiang and Rushan Zhang and Yanning Zhou and Yumeng Wang and Hao Chen},
journal= {arXiv preprint arXiv:2303.14373},
year = {2023}
}
备注
Accepted by CVPR2023