释放提示驱动细胞核实例分割的潜力
计算机视觉与模式识别
2024-01-25 v4
摘要
组织学图像中的细胞核实例分割对广泛的临床应用至关重要。当前主流算法依赖于细胞核代理图的回归。从估计图中区分细胞核实例需要精心设计的后处理，这易出错且对参数敏感。近来，Segment Anything Model（SAM）因其出色的泛化能力与可提示特性在医学图像分割中备受关注。然而，其在细胞核实例分割上的潜力仍很大程度上未被探索。本文提出一种由细胞核提示生成器与 SAM 组成的新型提示驱动框架，用于自动细胞核实例分割。具体而言，提示生成器学习为每个细胞核生成唯一的点提示，而 SAM 被微调以输出对应提示细胞核的掩码。此外，我们提出将相邻细胞核作为负提示，以增强模型识别重叠细胞核的能力。无需复杂后处理，我们所提方法在三个具挑战性基准上确立了新的最先进性能。代码见 \url{github.com/windygoo/PromptNucSeg}
引用
@article{arxiv.2311.15939,
title = {Unleashing the Power of Prompt-driven Nucleus Instance Segmentation},
author = {Zhongyi Shui and Yunlong Zhang and Kai Yao and Chenglu Zhu and Sunyi Zheng and Jingxiong Li and Honglin Li and Yuxuan Sun and Ruizhe Guo and Lin Yang},
journal= {arXiv preprint arXiv:2311.15939},
year = {2024}
}
备注
under review