MoNuSeg
PulseAugur coverage of MoNuSeg — every cluster mentioning MoNuSeg across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
-
新的LSP-DETR框架为病理学提供高效的细胞核分割
研究人员开发了LSP-DETR，一种用于分割全切片图像中细胞核的新型框架，解决了由千兆像素大小的病理切片带来的计算挑战。该方法利用具有线性复杂度的Transformer一次性处理高分辨率图像，将细胞核表示为星凸多边形。与现有方法相比，LSP-DETR实现了最先进的效率，推理速度显著加快，并在基准数据集上展示了强大的泛化能力。
-
新的 SAFViT 模块增强了数字病理学中的细胞核分割
研究人员推出了一种新颖的空间注意力融合门控 (SAFViT) 模块，旨在增强数字病理学中的细胞核分割和分类。该模块通过将解码器上下文集成到门控机制中，改进了现有的编码器-解码器架构，使网络能够学习每个像素最可靠的特征来源。在 PanNuke 数据集上进行测试时，SAFViT 在多类全景质量方面取得了显著的改进，尤其是在检测具有挑战性的“死亡”细胞类别方面。
-
新型AMN网络改进了组织病理学图像中的细胞核分割
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…
-
ConvNeXt-FD模型增强了生物医学图像分割能力
研究人员开发了ConvNeXt-FD，一种用于分割生物医学图像的新型深度学习模型。该模型采用了类似U-Net的结构，并以ConvNeXt为骨干，同时引入了一种包含基于分形维度的边界感知正则化项的新型损失函数。在六个不同数据集上的实验表明，ConvNeXt-FD（尤其是在ImageNet上预训练后）在准确性和边界检测方面优于现有方法。