研究人员开发了 GDBA-Net，一个计算病理学中细胞核分割的新框架。该模型通过结合预训练的语义表示和显式的频率派生结构先验，来适配一个固定的 SAM2 编码器。这种集成通过自适应的通道门控进行管理，选择性地突出对细胞核描绘至关重要的结构线索。与现有方法相比，GDBA-Net 在多个基准测试中展示了最先进的性能和卓越的跨数据集泛化能力，同时可训练参数数量显著减少。 AI
影响 这项研究为细胞核分割提供了一个更鲁棒且标注效率更高（annotation-efficient）的解决方案，有望提高计算病理学的诊断准确性。
排序理由 该集群包含一篇学术论文，详细介绍了新模型及其在特定基准测试上的性能。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →
