文章目录

• 2020
• • Automatic Label Correction for the Accurate Edge Detection of Overlapping Cervical Cells
• 2021
• • Contour Proposal Networks for Biomedical Instance Segmentation

2020

Automatic Label Correction for the Accurate Edge Detection of Overlapping Cervical Cells

code: https://github.com/nachifur/automatic-label-correction-CCEDD
准确的标记对于监督深度学习方法至关重要。本文利用深度学习模型精确分割多个重叠宫颈细胞的图像，提出了一种自动标记校正算法，以提高人工标记重叠宫颈细胞的边缘定位精度。我们的算法是基于梯度引导设计的，可以自动纠正重叠的宫颈细胞的边缘位置，以及使用不同标注器的人工标记之间的差异。利用该算法，我们构建了一个具有高标记精度的开放子宫颈细胞边缘检测数据集(CCEDD)。在训练数据集上的实验表明，我们的自动标签校正算法可以提高手动标签的精度，进一步提高了深度学习模型对重叠单元的定位精度。

2021

Contour Proposal Networks for Biomedical Instance Segmentation

code: https://github.com/FZJ-INM1-BDA/celldetection

大多数现有的方法都是直接处理单元格实例分割问题，而不依赖于额外的检测盒。由于缺乏对物体的整体理解，这些方法通常无法分离接触单元格。相比之下，基于盒子的实例分割通过结合目标检测和分割来解决这一问题。然而，现有的方法通常使用基于锚盒的检测器，由于类不平衡问题，导致实例分割性能较差。本文提出了一种新的基于盒子的单元格实例分割方法。特别是，我们首先通过关键点检测来检测细胞的五个预定义点。然后，我们根据一个关键点图对这些点进行分组，然后提取每个单元格的边界框。最后，对边界框内的特征图进行单元格分割。我们在两个具有不同对象形状的单元数据集上验证了我们的方法，并实证证明了我们的方法与其他实例分割技术相比的优越性。

标签：分割,单元格,标记,方法,论文,细胞,实例,合集
来源： https://blog.csdn.net/weixin_42990464/article/details/123115265