用HARU-Net增强细胞核分割:一种基于混合注意力残差U型块的网络
图像与视频处理
2023-08-11 v2 计算机视觉与模式识别
机器学习
摘要
细胞核图像分割是分析、病理诊断和分类的关键步骤,其高度依赖于细胞核分割的质量。然而,细胞核大小变化、细胞核轮廓模糊、染色不均、细胞聚集和细胞重叠等问题的复杂性带来了重大挑战。当前细胞核分割方法主要依赖核形态或基于轮廓的方法。基于核形态的方法泛化能力有限,难以有效预测不规则形状细胞核;而基于轮廓的提取方法在准确分割重叠细胞核方面面临挑战。为解决上述问题,我们提出了一种使用基于混合注意力的残差U型块的双分支网络用于细胞核实例分割。该网络同时预测目标信息和目标轮廓。此外,我们引入了一种结合目标信息和目标轮廓的后处理方法,以区分重叠细胞核并生成实例分割图像。在网络内部,我们提出了一种上下文融合块(CF-block),可有效提取并合并网络的上下文信息。我们进行了大量定量评估以评价方法的性能。实验结果表明,在BNS、MoNuSeg、CoNSeg和CPM-17数据集上,所提方法优于最先进的方法。
引用
@article{arxiv.2308.03382,
title = {Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network},
author = {Junzhou Chen and Qian Huang and Yulin Chen and Linyi Qian and Chengyuan Yu},
journal= {arXiv preprint arXiv:2308.03382},
year = {2023}
}
备注
Nucleus segmentation, Deep learning, Instance segmentation, Medical imaging, Dual-Branch network