该研究提出了一种使用深度卷积神经网络（CNN）提高医学图像分割准确性的新方法，特别是针对细胞分割任务。通过将分割问题转化为跟踪问题，确保了分割区域的连续性，从而提高了分割的准确性。使用U-Net生成初始预测，并结合跟踪网络，减少了对用户监督的依赖，同时提升了效率。实验在ISBI细胞跟踪挑战赛的数据集上展示了优于其他先进分割算法的性能。
原论文：Erica Rutter, John Lagergren, Kevin Flores. Automated Object Tracing for Biomedical Image Segmentation Using a Deep Convolutional Neural Network. MICCAI 2018.
- 简介
卷积神经网络近年来在许多生物医学图像任务中取得了领先的成果。CNN已经被广泛用于自动化数字病理学和微观图像分析。使用自动分析的一大优点就是输出结果不会因为观测者不同而改变，因为采用人工标注的话不同的观测者可能由于意见不同或者水平参差不齐而给出不一样的标注结果。
机器学习模型特别是CNN在生物医学图像分析领域最广泛的一个应用就是细胞分割，也就是描绘一张图像中每个细胞的边界。目前基于CNN的分割方法的研究非常火热，因为目前还没有一种方法能够在所有数据集上都胜过其它的方法。最早开始使用CNN做分割的一种方法就是把图象分成一个个方形的patch输入网络，输出则是其中心像素的分类预测值，比如说，在边界内部还是外部，抑或是正好在目标的边界上。这种方法要求用户必须输入每个像素周围的的patch，以此来对整幅图片的像素做分类，因此计算量也是非常庞大。最近对这类方法的改进包括全卷积神经网络架构。这类网络输入一个比较大的方形图像，然后使用反卷积层输出另一个方形图像，其中包含每个像素的分类预测概率。由于输出的图像大小可以非常大，这种方法比起单纯使用CNN对每个像素逐一分类无疑在效率上要好出很多倍。
目前使用CNN网络包括全卷积网络做显微镜图像细胞分割的一个挑战就是，不能确保一个邻接区域一定是由细胞生成的。举例来说，我们观测到CNN会生成一些分割的预测图，其中每个“洞”或者一些分离区域表示一个细胞。然而除了细胞之外
最低0.47元/天 解锁文章
1113
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
