保持准确与鲁棒：一种增强的细胞核分析框架
图像与视频处理
2025-01-22 v4 计算机视觉与模式识别
摘要
组织学图像中细胞核的准确分割与分类至关重要但具挑战性，原因在于细胞核异质性、染色变异及组织复杂性。现有方法常受限于数据集变异性不足，其图像块提取自相似的 whole slide images（WSI），使模型易陷入局部最优。此处我们提出新框架以解决此局限并实现鲁棒核分析。我们的方法利用双级集成建模克服有限数据集变异带来的问题。样本内集成对单个样本施加多样变换，而样本间集成组合不同尺度的网络。我们还引入了对 HoVer-Net 架构的增强，包括更新编码器、嵌套密集解码和模型正则化策略。我们在公开基准上取得最先进结果，包括在 2022 年结肠细胞核识别与计数（CoNIC）挑战赛中核组成预测第 1 名及分割/分类第 3 名。该成功验证了我们的组织学核分析方法。大量实验与消融研究为最优网络设计选择与训练技术提供了见解。总之，本工作提出了一种改进框架，推进了细胞核分析的最先进水平。我们发布代码与模型（https://github.com/WinnieLaugh/CONIC_Pathology_AI）作为社区工具包。
引用
@article{arxiv.2203.03415,
title = {Keep It Accurate and Robust: An Enhanced Nuclei Analysis Framework},
author = {Wenhua Zhang and Sen Yang and Meiwei Luo and Chuan He and Yuchen Li and Jun Zhang and Xiyue Wang and Fang Wang},
journal= {arXiv preprint arXiv:2203.03415},
year = {2025}
}