细胞RegNet:通过密度地图回归在组织病理图像中的基于点注释的细胞检测
Xu Jin1, Hong An1, Mengxian Chi1
1School of Computer Science and Technology, University of Science and Technology of China, Hefei 230000, China.
Bioengineering (Basel, Switzerland)
|August 29, 2024
概括
使用深度学习,CellRegNet提高了在组织病理学图像中的细胞检测. 这种新型模型提高了从点注释的多级别和多级别细胞识别的准确性.
科学领域:
- 数字病理学数字病理学
- 计算生物学是一种计算生物学.
- 深度学习应用程序深度学习应用程序
背景情况:
- 深度学习显示了使用密度图回归与点注释进行细胞检测的前景.
- 现有的模型在多级特征提取和在多类细胞检测中处理空间先验方面面临挑战.
研究的目的:
- 介绍CellRegNet,一种新的深度学习模型,用于使用点注释准确检测细胞.
- 解决多级特征集成和多类细胞分布建模方面的局限性.
主要方法:
- 细胞RegNet采用混合CNN/变压器架构,具有功能改进和选择.
- 引入了对比的规范化损失,以在多类场景中建模相互排他性先验.
主要成果:
- CellRegNet获得了高的F1分数:乳腺癌 (BCData) 86.38%,子宫内膜组织 (EndoNuke) 85.56%,骨髓细胞 (MBM) 93.90%.
- 该模型与使用点注释检测细胞的最先进方法相比,显示出更高的性能.
结论:
- 细胞RegNet有效地解决了多级特征提取和多类细胞检测方面的挑战.
- 拟议的模型显著提高了数字病理学应用中细胞检测的准确性和可靠性.
