文章目錄
- Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network
- 摘要
- 本文方法
- 損失函數
- 后處理
- 消融實驗
Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network
摘要
核圖像分割是分析、病理診斷和分類的關鍵步驟，核圖像分割的質量在很大程度上取決于核圖像分割的質量。然而，諸如細胞核大小變化、細胞核輪廓模糊、染色不均勻、細胞聚集和細胞重疊等問題的復雜性提出了重大挑戰。目前的核分割方法主要依賴于核形態學或基于輪廓的方法。基于核形態的方法泛化能力有限，難以有效預測不規則形狀的核，而基于輪廓的提取方法在準確分割重疊核方面面臨挑戰。為了解決上述問題，我們提出了一種雙分支網絡，使用基于混合注意力的殘差u塊進行核實例分割。
- 該網絡同時預測目標信息和目標輪廓。
- 引入了一種結合目標信息和目標輪廓的后處理方法來區分重疊核并生成實例分割圖像。
- 提出了一個上下文融合塊(CF-block)，可以有效地從網絡中提取和合并上下文信息。
- 進行了廣泛的定量評估，以評估我們的方法的性能。實驗結果表明，與BNS、MoNuSeg、cong和CPM-17數據集上的最新方法相比，該方法具有優越的性能。
本文方法
殘差UNet block結構
混合注意力模塊
上下文融合模塊
損失函數
后處理
消融實驗
)
