科研之友
微信
新浪微博
Facebook
分享链接
摘要
肿瘤细胞的密度、核质比和平均尺寸等指标对癌症的分级和预后有重要的意义。在计算病理学中，细胞核分割是肿瘤微环境分析的基础。通过对分割结果进行统计分析，对新的肿瘤标记物的探索有重大的意义。病理图像背景下的细胞核形态不规则，细胞核染色不均匀，且细胞核边缘之间存在粘连的问题，而现有的深度学习算法在细胞核主体分割正确的情况下，边缘的分割错误不会对总体的损失造成太大的影响，粘连的细胞核很容易被当作同一个分割目标。为了解决细胞核重叠问题，本文提出一种基于Transformer与距离图谱的分割模型，将Transformer中的核心多头自注意力机制与距离图谱引导算法相结合，重视细胞核内部，弱化细胞核边界，提升对图像局部和全局上下文信息的学习能力。本文方法在两个公开数据集上的平均Dice系数为0.7979、精度为0.7561、AJI系数为0.6672、Hausdorff距离为10.11。实验结果表明，相较其他分割算法，本文方法的性能更好，能够有效提高细胞核的分割精度，同时较好地解决了细胞核之间的粘连问题。
-
单位自动化学院; 南京信息工程大学
