BAWGNet:边界感知波纹导向网络用于细胞核细分在组织病理学图像中的细分
Tamjid Imtiaz1, Shaikh Anowarul Fattah2, Sun-Yuan Kung3
1Department of Bioengineering, University of Pennsylvania, Philadelphia, PA, 19104, USA.
Computers in biology and medicine
|September 7, 2023
概括
这项研究引入了一种新的深度学习模型,即边界感知波束引导网络 (BAWGNet),用于在组织病理图像中精确的细胞核细分. BAWGNet通过结合波形域指导和边界意识,显著提高了准确性,特别是对于小核.
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
- 生物医学成像的深度学习
背景情况:
- 准确的细胞核细分对于生物分析和疾病诊断至关重要.
- 传统的深度学习方法因依赖空间域信息而扎于核的可变性和小区域识别.
研究的目的:
- 开发一种先进的深度学习模型,用于在组织病理学图像中进行强大而精确的自动细胞核细分.
- 解决现有方法在处理核的变性和小结构方面的局限性.
主要方法:
- 提出了一个边界意识波形导向网络 (BAWGNet),包含一个边界意识单元 (BAU) 和波形域指导.
- 使用高频2D离散波段转换 (2D-DWT) 系数用于基于注意力的指导.
- 使用预处理来实现数据统一和色彩统计的规范化.
主要成果:
- 在基准数据集上实现了高细分性能:子得分为90.82% (DSB),85.74% (MoNuSeg) 和78.57% (TNBC).
- 与传统方法相比,在细分小核和边缘区域方面表现出更高的准确性.
- 边界意识单元有效地捕获了核边界信息,用于精确的像素预测.
结论:
- BAWGNet在细胞核自动细分方面取得了重大进展,用于组织病理学.
- 波形域指导和边界意识的整合提高了细分的准确性和稳定性.
- 拟议的方法显示了改善病理学计算机辅助诊断的巨大潜力.
