基于模糊排名的细粒度融合技术用于骨细胞图像分割
计算机视觉与模式识别
2024-03-19 v1
摘要
骨细胞图像分割因其复杂的细胞结构和多个重叠区域而颇具挑战性。对于有监督的机器学习技术，需要大量标注数据，这在成本上较高。近年来，细粒度融合技术在图像分类领域展现出一些有前景的性能。在本文中，我们探索了一种基于模糊的细粒度融合技术用于骨细胞图像分割。该融合规则整合了三种传统语义分割模型 UNet、SegNet 和 PSPNet。该技术应用于两个骨细胞图像数据集，即阴道细胞学 (HErlev) 数据集和乳腺细胞学 (JUCYT-v1) 数据集。经过所提出的细粒度融合技术后，在 HErlev 数据集和 JUCYT-v1 数据集上分别实现了最高的 MeanIoU 分数 84.27% 和 83.79%，优于平均概率、几何平均、Borda Count 等传统融合规则。该模型的代码已在 GitHub 上提供。
引用
@article{arxiv.2403.10884,
title = {Fuzzy Rank-based Late Fusion Technique for Cytology image Segmentation},
author = {Soumyajyoti Dey and Sukanta Chakraborty and Utso Guha Roy and Nibaran Das},
journal= {arXiv preprint arXiv:2403.10884},
year = {2024}
}
备注
Accept at International Conference on Data, Electronics and Computing (ICDEC-2023)