PGU-net+：用于自动化宫颈细胞核分割的渐进式生长 U-net+
图像与视频处理
2019-11-13 v3 计算机视觉与模式识别
摘要
基于深度学习的自动化宫颈细胞核分割可有效改善宫颈癌的定量分析。然而，精确的细胞核分割仍具挑战性。经典 U-net 在该任务上未取得令人满意的结果，因为它混合了相互影响的不同尺度信息，限制了模型的分割精度。为解决此问题，我们提出一种渐进式生长 U-net（PGU-net+）模型，其以两种范式更独立地提取不同尺度的图像特征。首先，我们在 U-net 的不同尺度间加入残差模块，迫使模型在较粗尺度学习标注的近似形状，在较细尺度学习标注与近似形状之间的残差。其次，我们从最粗部分开始训练模型，然后逐步将更细部分加入训练，直至包含完整模型。当我们训练更细部分时，会降低先前较粗部分的学习率，这进一步确保模型从不同尺度独立提取信息。我们在 Herlev 数据集上进行了若干对比实验。实验结果表明，PGU-net+ 在宫颈细胞核分割上的精度优于先前最先进的方法。
引用
@article{arxiv.1911.01062,
title = {PGU-net+: Progressive Growing of U-net+ for Automated Cervical Nuclei Segmentation},
author = {Jie Zhao and Lei Dai and Mo Zhang and Fei Yu and Meng Li and Hongfeng Li and Wenjia Wang and Li Zhang},
journal= {arXiv preprint arXiv:1911.01062},
year = {2019}
}
备注
MICCAI workshop MMMI2019 Best Student Paper Award