编辑
萝卜皮
目录
一种新的基于深度学习的3D细胞分割框架，用于未来基于图像的疾病检测
通过视网膜扫描和最少的个人信息预测心肌梗塞
医疗数据中隐藏的偏见可能会损害人工智能的医疗保健方法
通过强化学习优化基于风险的乳腺癌筛查策略
使用人工智能了解肺癌和支气管癌死亡率
一种新的基于深度学习的3D细胞分割框架，用于未来基于图像的疾病检测
细胞分割在理解、诊断和治疗疾病方面起着至关重要的作用。尽管最近基于深度学习的细胞分割方法取得了成功，但在3D细胞膜图像中准确分割密集的细胞仍然具有挑战性。现有方法还需要在新数据集上微调多个手动选择的超参数。
香港大学的研究人员开发了一个基于深度学习的3D细胞分割管道3DCellSeg，以应对这些挑战。与现有方法相比，该方法具有以下新颖性：（1）一个稳健的两阶段流水线，只需要一个超参数；（2）一个轻量级的深度卷积神经网络(3DCellSegNet)以有效地输出体素掩码；（3）一个自定义的损失函数（3DCellSegLoss）来解决clumpedcell问题；（4）一种有效的基于触摸区域的聚类算法（TASCAN），用于将3D细胞从前景蒙版中分离出来。
在四个不同的细胞数据集上进行的细胞分割实验表明，3DCellSeg在ATAS（植物）、HMS（动物）和LRP（植物）数据集上优于基线模型，总体准确率分别为95.6%、76.4%和74.7%，同时实现了与Ovules（植物）数据集上的基线相当的准确度，总体准确度为82.2%。
消融研究表明，准确性的个别改进可归因于3DCellSegNet、3DCellSegLoss和TASCAN，其中3DCellSeg在不同的数据集和细胞形状中表现出鲁棒性。实验结果表明，3DCellSeg可以作为一种强大的生物医学和临床工具，例如组织病理学图像分析，用于癌症诊断和分级。
该研究以「Anoveldeeplearning-based3Dcellsegmentationframeworkforfutureimage-baseddiseasedetection」为题，于年1月10日发布在《ScientificReports》。
论文链接：