AMA-SAM:对抗性多域对齐的细分任何模型的高保真性组织学核细分核
Jiahe Qian1, Yaoyu Fang2, Jinkui Hao2
1Department of Radiology, Northwestern University, Chicago, 60611, IL, USA; Institute of Automation, Chinese Academy of Sciences, Beijing, 100190, China.
Medical image analysis
|March 11, 2026
概括
这项研究引入了对抗性多域对准分段任何模型 (AMA-SAM) 以改善细胞核细分在细胞病理学图像中. AMA-SAM利用多种数据集来提高准确性,克服领域转移的挑战.
科学领域:
- 数字病理学数字病理学
- 生物医学图像分析
- 机器学习用于医疗保健
背景情况:
- 准确的细胞核细分对于生物医学研究和临床诊断至关重要.
- 当前的方法在使用单个数据集时经常遭受过度拟合和域转移.
- 利用多样化的数据集可以提高性能,但由于域变化而带来挑战.
研究的目的:
- 开发一种先进的细胞核细分方法,有效利用多个数据集.
- 解决现有方法的局限性,包括因域移位而导致的过度装配和性能下降.
- 为了增强分段任何模型 (SAM) 的高分辨率基因病理图像分析.
主要方法:
- 引入了对抗性的多域对细分任何模型的对齐 (AMA-SAM).
- 开发了一个条件梯度反转层 (CGRL) 用于域不变特征学习.
- 设计了一种用于细粒度分割图的高分辨率解码器 (HR-Decoder).
- 实施了一种主要准的多领域方法,以减轻负面转移.
主要成果:
- 与最先进的方法相比,AMA-SAM表现出一致且显著的改进.
- 该方法成功地协调了不同领域的特征,同时保留了主要数据集的歧视性特征.
- 在高分辨率图像中,HR-Decoder有效地捕获了复杂的核边界.
- 在多个公共数据集上验证,显示强大的性能.
结论:
- AMA-SAM提供了一种新的解决方案,用于在组织病理学中强大的细胞核细分.
- 拟议的CGRL和HR-Decoder有效地解决了域名转移和分辨率限制.
- 这种方法提高了生物医学图像分析的多域学习的实用性.
