用HARU-Net增强核分割:一种基于混合注意的残差u块网络

Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network

摘要

核图像分割是分析、病理诊断和分类的关键步骤，核图像分割的质量在很大程度上取决于核图像分割的质量。然而，诸如细胞核大小变化、细胞核轮廓模糊、染色不均匀、细胞聚集和细胞重叠等问题的复杂性提出了重大挑战。目前的核分割方法主要依赖于核形态学或基于轮廓的方法。基于核形态的方法泛化能力有限，难以有效预测不规则形状的核，而基于轮廓的提取方法在准确分割重叠核方面面临挑战。为了解决上述问题，我们提出了一种双分支网络，使用基于混合注意力的残差u块进行核实例分割。

1. 该网络同时预测目标信息和目标轮廓。
2. 引入了一种结合目标信息和目标轮廓的后处理方法来区分重叠核并生成实例分割图像。
3. 提出了一个上下文融合块(CF-block)，可以有效地从网络中提取和合并上下文信息。
4. 进行了广泛的定量评估，以评估我们的方法的性能。实验结果表明，与BNS、MoNuSeg、cong和CPM-17数据集上的最新方法相比，该方法具有优越的性能。
   

本文方法

残差UNet block结构

混合注意力模块

上下文融合模块

损失函数

后处理

消融实验