文章目录
2016
DCAN: Deep Contour-Aware Networks for Accurate Gland Segmentation
摘要： 腺体的形态已被病理学家常规用于评估腺癌的恶性程度。从组织学图像中准确分割腺体是获得可靠的形态学统计数据以进行定量诊断的关键步骤。在本文中，我们提出了一个有效的深度轮廓感知网络(DCAN)来解决这个在统一的多任务学习框架下具有挑战性的问题。在所提出的网络中，从层次结构的多层上下文特征被探索与辅助监督精确的腺体分割。在训练过程中加入多任务正则化后，可以进一步提高中间特征的鉴别能力。此外，我们的网络不仅可以输出准确的腺体概率图，还可以同时描绘清晰的轮廓来分离聚类对象，这进一步提高了腺体的分割性能。这种统一的框架在应用于大规模的组织病理学数据时可以有效地，而无需求助于其他步骤来生成基于低水平线索的轮廓。我们的方法在13个竞争团队中赢得了2015年的MICCAI腺体分割挑战，以显著的优势超过了所有其他方法。
2018
Multiclass Weighted Loss for Instance Segmentation of Cluttered Cells
code : https://github.com/juglab/VoidSeg
摘要： 我们提出了一种新的多类加权损失函数用于杂波细胞的实例分割。我们的动机主要是发育生物学家需要量化和建模血液t细胞的行为，这可能有助于我们理解它们的调节机制，并最终帮助研究人员开发有效的免疫疗法癌症治疗。分割杂乱区域中的单个接触单元具有挑战性，因为共享边界和单元前景上的特征分布相似，因此很难将像素区分为适当的类。我们提出了两种新的权映射应用于加权交叉熵损失函数，它们考虑了类的不平衡和单元几何形状。增强了二值真实训练数据，使学习模型不仅可以处理前景和背景，还可以处理第三类触摸课程。这个框架允许使用U-Net进行培训。实验表明，与其他类似的算法相比，我们的算法在边界充分性和实例检测方面都有显著提高，优于二进制类模型。我们在人工标注的t细胞显微镜图像上验证了我们的结果。
Learning deep structured active contours end-to-end
code : https://github.com/dmarcosg/DSAC
摘要： 世界上覆盖着数以百万计的建筑，精确地了解每个实例的位置和范围对于众多的应用程序是至关重要的。最近，由于使用了卷积神经网络(CNN)，自动构建足迹分割模型显示出了卓越的检测精度。然而，即使是最新的演变也难以精确划定边界，这经常导致几何扭曲和相邻建筑实例的无意融合。我们建议利用建筑独特的几何属性来解决这个问题。为此，我们提出了一种新的框架——深度结构化活动轮廓(DSAC)，该框架将先验和约束整合到分割过程中，例如连续边界、平滑边缘和锐角。为此，DSAC采用了主动轮廓模型(ACM)，这是一组基于约束和先验的多边形模型。我们使用CNN学习每个实例的ACM参数化，并展示如何将所有组件合并到一个结构化输出模型中，使DSAC可以端到端进行培训。我们在三个具有挑战性的构建实例分割数据集上对DSAC进行了评估，在这些数据集上，DSAC的表现优于最先进的技术。将提供代码。
