BLoss-DDNet:曲损失和双任务解码网络,用于部临床LBC图像的重叠细胞核细分

科学领域:

• 医疗成像医学成像
• 计算病理学计算病理学
• 人工智能的人工智能

背景情况:

• 宫癌是全球女性的主要健康威胁.
• 基于液体的细胞学 (LBC) 是早期检测的主要查方法.
• 目前在LBC图像中的核细分与重叠的细胞作斗争,导致潜在的误诊.

研究的目的:

• 开发用于宫LBC图像的先进核细分技术.
• 为了应对严重重叠的细胞核在细胞群中的细分的挑战.
• 为了提高自动化宫癌诊断的准确性.

主要方法:

• 引入曲损耗和双任务解码网络 (Bloss-DDNet).
• 利用网络架构搜索优化双任务解码模块 (面具和边界).
• 来自共享编码器和双任务解码器分支的融合特征图.
• 集成的曲损失以专注于重叠核的边界曲率变化.

主要成果:

• 布洛斯-DDNet在公共数据集的所有评估指标上取得了卓越的表现.
• 在细分重叠的细胞群和细胞核方面表现出有效性.
• 超越了部LBC图像的现有核细分技术.

结论:

• 布洛斯-DDNet提供了一个强大的解决方案,用于在宫LBC图像中细分重叠的核.
• 拟议的方法显著增强了对宫癌临床辅助诊断的支持.
• 改进的细分精度有助于更可靠的宫癌病理学评估.