HistoSeg：用于数字组织学图像多结构分割的快捷注意力与多损失函数方法
图像与视频处理
2022-09-05 v1 计算机视觉与模式识别
摘要
医学图像分割辅助计算机辅助诊断、手术与治疗。数字化组织切片图像用于分析和分割腺体、细胞核及其他生物标志物，并进一步用于计算机辅助医学应用。为此，许多研究者开发了不同神经网络在组织学图像上执行分割，这些网络大多基于编码器-解码器架构，并利用复杂注意力模块或 transformers。然而，这些网络在捕获相关局部与全局特征及在多尺度下精确边界检测方面精度不足，因此我们提出一种编码器-解码器网络、快捷注意力模块与多损失函数（二元交叉熵（BCE）损失、Focal Loss 与 Dice Loss 的组合）。我们在两个公开的医学图像分割数据集 MoNuSeg 和 GlaS 上评估所提网络的泛化能力，并以在 MoNuSeg 数据集上 1.99% 的提升及在 GlaS 数据集上 7.15% 的提升优于 SOTA 网络。实现代码见此链接：https://bit.ly/HistoSeg
引用
@article{arxiv.2209.00729,
title = {HistoSeg : Quick attention with multi-loss function for multi-structure segmentation in digital histology images},
author = {Saad Wazir and Muhammad Moazam Fraz},
journal= {arXiv preprint arXiv:2209.00729},
year = {2022}
}
备注
Accepted by 2022 12th International Conference on Pattern Recognition Systems (ICPRS), For Implementation Code see https://bit.ly/HistoSeg