2019

Shape-Aware Complementary-Task Learning for Multi-Organ Segmentation

code : https://github.com/ferchonavarro/shape_aware_segmentation
摘要： 全身计算机断层扫描(CT)中的多器官分割是一个持续的预处理步骤，它在器官特异性图像检索、放疗规划和介入图像分析中得到了应用。我们从器官的形状学习的角度来解决这个问题。我们引入了互补任务学习的想法，以强制形状优先利用现有的目标标签。我们提出了两个互补的任务，即i)距离图回归和ii)等高线图检测来明确地编码每个器官的几何性质。我们在包含多个器官CT扫描的公共内脏数据集上评估了所提出的解决方案。我们报告说，由于加入了互补任务学习，总体骰子得分从0.8849显著提高到0.9018。

在这里插入图片描述

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。
在这里插入图片描述

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。