换一批基于文本注释和Transformer的病理图像细胞核分割
Cell nucleus segmentation in pathological images based on text annotations and Transformer
摘要针对以卷积神经网络(CNN)为主干的U-Net网络只擅长获取局部特征、感受野受限的问题,提出一种基于CNN和Vision Transformer(ViT)的VLi-net细胞核分割方法.首先,为缓解数据标注成本高、数据数量少等问题,引入文本注释来增强网络对图像信息的理解;然后,为提高VLi-net分割性能将CNN和ViT相结合,充分提取全局和局部特征,并将多感受野卷积特征引入到ViT结构中,有效缓解ViT局部信息交互有限和特征表示单一的问题;最后,提出交互融合模块(ViFusion),有效地融合CNN和ViT两个分支的多层次特征.实验表明,VLi-net在MoNuSeg数据集上的Dice系数得分为80.85%,MIoU为66.83%,在DSB-2018数据集上的Dice系数得分为80.53%,MIoU为67.54%;在TNBC数据集上的Dice系数得分为86.87%,MIoU为77.44%.与其他方法相比,VLi-net在多个实验各项指标均达到最优.
更多相关知识
栏目名称
DOI
10.3969/j.issn.1005-202X.2025.10.009
发布时间
2025-11-13（万方平台首次上网日期，不代表论文的发表时间）
基金项目
- 浏览0
- 被引0
- 下载0
相似文献
- 中文期刊
- 外文期刊
- 学位论文
- 会议论文
