.png){kind=icon}
返回
SEINE: Structure Encoding and Interaction Network for Nuclei Instance Segmentation
.png){kind=icon}
PRE
AI
DOI：10.1109/JBHI.2025.3561595.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
病理组织图像中的细胞核实例分割对于生物学分析和癌症诊断至关重要。然而，它面临两大显著挑战：(1) 染色不良的细胞核可能导致分割不足，因为背景可能被误识别为前景；以及(2) 细胞核内部的深层纹理通常会导致实例预测碎片化，因为这些纹理可能被误解释为轮廓。为解决这些问题，本文提出了一种结构编码与交互网络（Structure Encoding and Interaction NEtwork），简称SEINE，该网络开发了细胞核结构建模方案，并利用细胞核结构之间的相似性来提高实例分割的完整性。具体而言，SEINE引入了一种基于轮廓的结构编码机制，该机制整合了细胞核结构与语义之间的相关性，从而实现更准确的结构表示。在此基础上，我们提出了一种结构引导注意力模块，该模块使用清晰的细胞核作为原型来引导不清晰细胞核的结构学习，从而解决分割不足问题。此外，一种位置增强策略应用质心距离约束以减少轮廓预测误差，有效缓解了碎片化实例分割。大量实验证明了SEINE的有效性，在四个基准数据集上均取得了当前最佳性能。
Keyword:
Nuclei instance segmentation
structure encoding
structure interaction
structure-guided attention
期刊
IF:
6.8
论文数:
4.7K
被引数:
2.0W
机构
引用论文
分享收藏From patterns to patients: Advances in clinical machine learning for cancer diagnosis, prognosis, and treatment从模式到患者: 用于癌症诊断，预后和治疗的临床机器学习的进展.png)
Cell
CellIF0
PREAI
分享收藏分享收藏
查看更多内容