.png){kind=icon}
返回
A Microscopic Image Processing Platform for Multi-class Cell Segmentation Using Deep Learning
.png){kind=icon}
OA
AI
DOI：10.1016/j.imed.2025.08.002.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
背景 从肺癌和心脏病到罕见病，几乎所有疾病的研究都在加速推进。显微细胞图像分析是医学研究的重要领域。作为分析的第一步，分割是一个重要的临床关注点。然而，许多复杂性，如细胞大小或形状的变化、重叠区域、潜在的低对比度以及背景噪声，使得显微图像的自动分割成为一个复杂的问题。此外，目前缺乏既用户友好又能提供可信结果的图像处理系统。
方法 本文提出一个显微细胞处理平台，以实现高效准确的显微图像分析。首先，将2018年数据科学大赛（DSB2018）数据集（来自2018年Kaggle细胞分割竞赛）划分为训练集、验证集和测试集。然后，采用结合了分水岭算法（Watershed algorithm）的U-Net++进行显微细胞图像分割任务。第三，设计了一个基于QT的图形用户界面（GUI），用于显示分割过程、根据临床需求微调模型，并自动生成诊断结论。
结果 交并比（Intersection over Union, IoU）、精确率（Precision）、召回率（Recall）和F1分数的平均值分别达到0.846、0.908、0.925和0.917，这些高度满意的结果表明该平台的有效性。此外，分水岭算法（Watershed algorithm）的平均误差达到0.113，这一误差在临床诊断中可接受。与传统的分割方法相比，所提出的方法显著提升了性能。
结论 本研究聚焦于将自动分割与分析集成到图像处理平台中。凭借基于深度学习的高效分割和结果的高精度定量分析，该平台优于许多现有的医学分析系统，并在辅助医学诊断领域具有应用潜力。
Keyword:
Image Segmentation
Deep Learning
Image Analysis
U-Net++
Watershed
GUI
AI总结
对已上传原文的论文进行重点信息的提取，主要内容包括：简要概述、研究摘要、背景介绍、关键亮点、图文解析、展望与总结。
期刊
IF:
6.9
论文数:
198
被引数:
448
机构
查看更多机构
引用论文
Sub-Bottom Sediment Classification Using Reliable Instantaneous Frequency Calculation and Relaxation Time Estimation基于可靠瞬时频率计算和弛豫时间估计的次底沉积物分类
OAAI
OAAI分享收藏Hyper-parameter optimization of deep learning architectures using artificial bee colony (ABC) algorithm for high performance real-time automatic colorectal cancer (CRC) polyp detection基于人工蜂群 (ABC) 算法的深度学习架构超参数优化，用于高性能实时自动结直肠癌 (CRC) 息肉检测.png)
APPLIED INTELLIGENCE
APPLIED INTELLIGENCEIF3.5
PREAI
分享收藏 没有更多内容