研究人员开发了AMN，一种自适应多尺度融合网络，用于组织病理学图像中的精确细胞核分割。该双编码器框架独特地结合了Swin Transformer和ResNet-50特征金字塔，并使用学习到的门控机制来动态平衡它们在不同尺度的贡献。AMN包含一个多目标损失函数，其中包括焦点损失、边界感知损失和不确定性调制分类项，以提高准确性并减少过度自信的错误。该模型在CoNIC基准测试中取得了最先进的成果，优于其他八种架构，并在MoNuSeg数据集上展示了强大的泛化能力。 AI
影响 这种新颖的分割方法可以提高计算病理学中的诊断准确性，可能改善治疗计划和预后预测。
排序理由 该集群包含一篇详细介绍新模型架构及其在特定基准测试上性能的学术论文。[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 →