相关实验视频
Updated: Jul 26, 2025
06:25
Using Computer Vision Libraries to Streamline Nuclei Quantification
Published on: June 6, 2025
352
密集卷积空间注意力网络用于核细分组织图像的细分用于计算病理学
Rashadul Islam Sumon1, Subrata Bhattacharjee2, Yeong-Byn Hwang1
1Department of Digital Anti-Aging Healthcare, Ubiquitous-Anti-aging-Healthcare Research Center (u-AHRC), Inje University, Gimhae, Republic of Korea.
Frontiers in oncology
|June 12, 2023
概括
一个新的深度学习模型DCSA-Net显著改善了用于计算病理学的组织学图像中的核细分. 这种先进的方法提高了准确性,并优于现有的细分技术.
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:
- 自动核细分对于提取数字显微镜组织图像中的特征至关重要.
- 准确的细分在医疗图像处理中具有挑战性.
- 像U-Net这样的现有方法在功能探索方面存在局限性.
研究的目的:
- 开发一种基于深度学习的方法,用于组织学图像中的细胞核细分.
- 为了提高核细分的准确性和效率,用于计算病理学应用.
- 在细分模型中引入一个注意力机制,用于增强特征提取.
主要方法:
- 开发了密集卷积空间注意网络 (DCSA-Net),这是一个基于U-Net的模型,包含了一个新的DCSA模块.
- 训练模型使用来自两个医院和公开可用的前列腺癌数据集的血素和素染色图像.
- 将DCSA-Net的性能与其他基于AI的细分方法进行比较,使用准确度,子系数 (DC) 和贾卡德系数 (JC) 等指标.
主要成果:
- 在内部测试数据集上,DCSA-Net实现了卓越的核细分性能.
- 关键性能指标包括96.4%的准确率,81.8%的子系数和69.3%的Jaccard系数.
- 该模型在外部多组织数据集 (如MoNuSeg.Seg) 上表现出有效性.
结论:
- 拟议的DCSA-Net方法在从组织学图像中细分细胞核方面表现出卓越的性能.
- 该模型在内部和外部数据集上都超过了标准的细分算法.
- 这种深度学习方法通过使高质量的核特征提取能够推进计算病理学.
