基于双编码器和边界增强注意力的腺体分割
图像与视频处理
2024-05-10 v2 计算机视觉与模式识别
机器学习
摘要
对病理图像进行准确、自动的腺体分割有助于病理学家诊断结直肠腺癌的恶性程度。然而，由于腺体形状多样、恶性腺体严重变形以及腺体间重叠粘连，腺体分割一直极具挑战性。为了解决这些问题，我们提出了一个 DEA 模型。该模型由两个分支组成：主干编解码网络和局部语义提取网络。主干编解码网络提取高级语义特征，利用所提出的特征解码器恢复特征空间信息，然后通过边界增强注意力增强腺体的边界特征。局部语义提取网络使用预训练的 DeepLabv3+ 作为局部语义引导编码器，实现边缘特征的提取。在两个公开数据集 GlaS 和 CRAG 上的实验结果证实，我们的方法性能优于其他腺体分割方法。
引用
@article{arxiv.2401.15990,
title = {Gland Segmentation Via Dual Encoders and Boundary-Enhanced Attention},
author = {Huadeng Wang and Jiejiang Yu and Bingbing Li and Xipeng Pan and Zhenbing Liu and Rushi Lan and Xiaonan Luo},
journal= {arXiv preprint arXiv:2401.15990},
year = {2024}
}
备注
Published in: ICASSP 2024