PulseAugur
中
实时 14:04:30
English(EN) C2RM-Seg: Causal Counterfactual Reasoning with Structural-Semantic Priors for Weakly Supervised Histopathological Tissue Segmentation

新的C2RM-Seg框架增强了组织病理学图像分割

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员推出了一种新颖的两阶段框架C$^2$RM-Seg，旨在改进组织病理学图像分割。该方法解决了现有弱监督技术中的局限性，这些技术通常通过关注外观而非因果形态来产生嘈杂的伪标签。C$^2$RM-Seg集成了用于形态对齐伪标签生成的因果反事实推理模块，以及一个结合了细粒度结构特征和来自DINOv3基础模型的全局语义先验的双路径结构-语义架构。该框架还包含一个不确定性门控裕度损失，以进一步提高分割精度。 AI

影响 这项研究通过提高组织分割的精度，有望在病理学中实现更准确的计算机辅助诊断。

排序理由 该集群包含一篇详细介绍组织病理学图像分割新方法的学术论文。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新的C2RM-Seg框架增强了组织病理学图像分割

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Hualong Zhang, Siyang Feng, Zihan Huan, Yi Qian, Zhenbing Liu, Rushi Lan, Xipeng Pan ·

    C2RM-Seg：具有因果反事实推理和结构语义先验的弱监督组织病理学组织分割

    arXiv:2606.25508v1 Announce Type: new Abstract: Histopathological tissue segmentation is essential for computer-aided diagnosis, yet weakly supervised methods often suffer from noisy pseudo-labels generated by Class Activation Mapping (CAM). Existing CAM approaches tend to focus …

  2. arXiv cs.CV TIER_1 English(EN) · Xipeng Pan ·

    C2RM-Seg：具有结构-语义先验的因果反事实推理用于弱监督组织病理学组织分割

    Histopathological tissue segmentation is essential for computer-aided diagnosis, yet weakly supervised methods often suffer from noisy pseudo-labels generated by Class Activation Mapping (CAM). Existing CAM approaches tend to focus on staining-driven appearance cues rather than t…

相关实体

相关话题