多重聚合组合样本重量复合网络用于病理图像细分

科学领域:

• 数字病理学
• 医学图像分析
• 计算机视觉

背景情况:

• 细胞核细分对于病理图像分析至关重要,影响诊断和研究.
• 现有方法面临挑战,包括模糊的边界,域位移和核分布不均.
• 这些障碍阻碍了准确可靠的病理图像细分.

研究的目的:

• 提出一个创新的网络,CDNet,用于数字病理学中强大的核心细分.
• 解决当前细分技术的局限性,提高准确性和概括性.
• 改善病理图像分析,以获得更好的诊断和研究结果.

主要方法:

• 引入了CDNet,其中包括多元化聚合转换 (DAC) 以确保边界清晰.
• 整合了一个因果推理模块 (CIM) 以提高跨领域的概括性.
• 开发了一个稳定加权组合损失函数来解决核分布不均.

主要成果:

• 在MoNuSeg,GLySAC和MoNuSAC数据集上,CDNet表现出卓越的表现.
• 在欧盟的平均交叉点 (mIoU) 和子相似系数 (DSC) 中取得了显著的改善.
• 在多种病理图像数据集中展示了强大的概括能力.

结论:

• CDNet有效地克服了数字病理的核心细分方面的关键挑战.
• 拟议的DAC,CIM和损失函数有助于提高细分的准确性和稳定性.
• CDNet为病理图像分析和临床应用提供了有前途的进展.