MGTUNet：一种用于结肠细胞核实例分割与量化的新型UNet
计算机视觉与模式识别
2024-01-29 v2 计算机科学与博弈论
摘要
结直肠癌(CRC)在发病率与死亡率方面位居前三大恶性肿瘤类型之列。组织病理学图像是诊断结肠癌的金标准。细胞核实例分割与分类，以及核组分回归任务，可辅助分析结肠组织中的肿瘤微环境。传统方法仍无法同时端到端地处理这两类任务，且预测精度差、应用成本高。本文提出一种基于UNet框架、用于处理细胞核的新型UNet模型，称为MGTUNet，其使用Mish、组归一化(Group normalization)与转置卷积层改进分割模型，并使用ranger优化器调整SmoothL1Loss值。其次，它利用不同通道对不同类型细胞核进行分割与分类，最终同时完成细胞核实例分割与分类任务，以及核组分回归任务。最后，我们使用八种分割模型进行了广泛的对比实验。通过比较三项评估指标与模型参数量，MGTUNet在PQ上取得0.6254、在mPQ上取得0.6359、在R2上取得0.8695。由此，实验表明MGTUNet目前是结肠癌组织病理学图像量化的state-of-the-art(SOTA)方法。
引用
@article{arxiv.2210.10981,
title = {MGTUNet: An new UNet for colon nuclei instance segmentation and quantification},
author = {Liangrui Pan and Lian Wang and Zhichao Feng and Zhujun Xu and Liwen Xu and Shaoliang Peng},
journal= {arXiv preprint arXiv:2210.10981},
year = {2024}
}
备注
Published in BIBM2022(regular paper),https://doi.org/10.1109/BIBM55620.2022.9995669