基于Mask2Former和denoising的叠加性宫细胞的优化细分

科学领域:

• 生物医学图像分析
• 计算病理学计算病理学
• 医疗保健中的人工智能

背景情况:

• 在宫细胞学中精确的细胞细分对于癌症查至关重要.
• 叠加的单元和模糊的边界对自动化分析构成重大挑战.
• 现有的方法难以精确细分密集的细胞.

研究的目的:

• 开发一种基于变压器的新型神经网络,用于准确细分重叠的宫细胞.
• 在具有挑战性的细胞学图像中提高细胞实例细分的精度.
• 增强自动化分析,以便更有效地进行癌症查.

主要方法:

• 提出了一种基于变压器的新型神经网络,将Mask2Former的denoising技术结合起来.
• 集成类嵌入基本真相类别作为变压器解码器中的额外内容查询.
• 采用了一种无声化策略,在这个策略中,噪音的地面真相面具被输入到变压器解码器中进行重建.

主要成果:

• 与ISBI2014数据集的最新情况相比,实现了DSC上的[公式:见文本],TPRp上的[公式:见文本]和FNRo上的[公式:见文本]的性能改进.
• 比现有方法和先前的模型更准确地进行口罩预测.
• 验证了拟议方法在细分重叠细胞中的有效性.

结论:

• 这种基于新型变压器的方法有效地细分重叠的宫细胞,解决了细胞病理学中的一个关键挑战.
• 该方法显示出有很大的潜力,可以帮助病理学家更准确地检测细胞病变.
• 这一进步有助于改进用于癌症查的自动化生物医学图像分析.