本文介绍了两种使用深度学习进行病灶和细胞核检测的方法。第一种方法通过回归基于强度的距离，利用神经网络进行病灶检测；第二种方法——PseudoEdgeNet，仅用点注释进行细胞核分割，结合注意力模型提取边缘信息。虽然检测结果有待提升，但这些方法展示了在医疗图像分析中减少标注需求的潜力。
文章目录
文章链接
Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural Network
PseudoEdgeNet: Nuclei Segmentation only with Point Annotations
Automated Lesion Detection by Regressing Intensity-Based Distance with a Neural Network
Motivation
病灶分割标注通常需要标注人员大量的专业知识和熟练度，耗费大量时间和成本，而且会因标注人员的差异性产生较大偏差。
Manual annotation of lesions can be challenging, time consuming and subject to observer bias.
Method
Distance Map
在一个灰度图像 G ( x ) G(x) G(x)中，具有点标注集合 Φ \Phi Φ，那么对于坐标点 x x x，它的Distance Map为：
D M ( x ) = m i n ( Λ ( γ ) , γ ∈ Ψ ( x , Φ ) ) DM(x) = min(\Lambda(\gamma), \gamma\in\Psi(x,\Phi)) DM(x)=min(Λ(γ),γ∈Ψ(x,Φ))
其中 Ψ ( x , Φ ) \Psi(x,\Phi) Ψ(x,Φ)是标注点集到 x x x所有路径 γ \gamma γ的集合，而 Λ ( γ ) \Lambda(\gamma) Λ(γ)则代表路径 γ \gamma γ的长度：
Λ ( γ ) = ∑ i = 1 n − 1 d ( x i , x i + 1 ) \Lambda(\gamma) = \sum^{n-1}_{i=1} d(x_i, x_{i+1}) Λ(γ)=i=1∑n−1d(xi,xi+1)
本文定义了三种路径距离度量方式，即三种Distance Map的计算方式。
欧几里得距离 Euclidean Distance
d E ( x i , x i + 1 ) = { 1 , x i + 1 ∈ N 4 ( x i )
最低0.47元/天 解锁文章
扫一扫
903
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
