在基因病理学图像中跨域核检测使用基于图形的核特征对齐图像

科学领域:

• 计算病理学计算病理学
• 医疗图像分析 医学图像分析
• 深度学习是一种深度学习.

背景情况:

• 深度神经网络 (DNN) 擅长在组织病理学图像中检测核,但对域移动敏感.
• 在现实数据中常见的域名转移显著降低了DNN的性能.
• 现有的域适应方法面临着小核大小和噪音特征的挑战.

研究的目的:

• 开发一种有效的方法来检测不同基因病理图像领域的核.
• 在域适应中解决核特征不足和背景噪声的局限性.
• 为了提高核检测的稳定性和准确性,尽管域变化.

主要方法:

• 提出基于图的核特征对齐 (GNFA) 方法.
• 使用核图卷积网络 (NGCN) 来聚合相邻核的信息以生成特征.
• 整合一个重要性学习模块 (ILM) 来选择区分特征并减轻背景噪声.

主要成果:

• 拟议的GNFA方法有效地使各领域的特征一致.
• 它成功地减轻了域位移对原子核检测的负面影响.
• 在跨领域核子检测场景中实现最先进的性能.

结论:

• 该GNFA方法提供了一个强大的解决方案,用于跨域核的检测.
• 它克服了与特征表示和调整在域调整中的关键挑战.
• 在广泛的实验中显示出与现有方法相比的显著改进.