17 天前

HistoSeg:面向数字病理图像中多结构分割的快速注意力与多损失函数方法

Saad Wazir, Muhammad Moazam Fraz
HistoSeg:面向数字病理图像中多结构分割的快速注意力与多损失函数方法
摘要

医学图像分割在计算机辅助诊断、手术规划及治疗中发挥着重要作用。通过数字化组织切片图像,可对腺体、细胞核及其他生物标志物进行分析与分割,进而支持各类计算机辅助医疗应用。为此,众多研究者提出了多种神经网络模型用于组织病理图像的分割任务,其中大多数网络采用编码器-解码器架构,并引入复杂的注意力机制或Transformer模块。然而,这些方法在多尺度下准确捕捉局部与全局特征、实现精确边界定位方面仍存在局限。为此,本文提出一种新型编码器-解码器网络,结合快速注意力模块(Quick Attention Module)与多损失函数(包含二元交叉熵损失BCE Loss、焦点损失Focal Loss与Dice损失的组合)。我们在两个公开可用的医学图像分割数据集——MoNuSeg和GlaS上评估了所提网络的泛化能力,结果表明,相较于现有最先进方法,本模型在MoNuSeg数据集上取得了1.99%的性能提升,在GlaS数据集上更是实现了7.15%的显著提升。代码实现已开源,可通过以下链接获取:https://bit.ly/HistoSeg

HistoSeg:面向数字病理图像中多结构分割的快速注意力与多损失函数方法 | 最新论文 | HyperAI超神经