首页|基于生成对抗网络与ResUNet的细胞核图像分割

基于生成对抗网络与ResUNet的细胞核图像分割

扫码查看
原文链接
  • 万方数据
  • 维普
细胞核的精准分割是病理诊断的基础工作,针对目前分割算法存在细小特征提取难、细节丢失多等问题,本文提出了一种基于生成对抗网络(generative adversarial network,GAN)与ResU-Net的分割网络.首先将ResUNet网络作为生成网络(generator,G),利用LeakyReLU激活函数使负值特征能够得到激活,其次再通过判别网络(discriminator,D)的判别损失值引导生成网络更好地学习.实验结果显示,在乳腺癌细胞核数据集和DSB数据集上MioU、Dice、Acc等评价指标分别达到 82％、83％、95％和 90％、90％、97％,较 ResUNet 网络分别提升了 2.5％、3.3％、0.7％和0.7％、1.5％、0.8％.同时与SegNet、FCN8s等6种常用分割网络的分割结果对比均有提升,结果证明本文改进后的网络具有较好的分割准确率,可以为病理诊断工作提供重要依据.
Cell nuclear image segmentation based on generative adversarial network and ResUNet

陈立、魏钰欣、刘斌

展开 >

陕西科技大学电子信息与人工智能学院,陕西西安710021

图像分割 细胞核图像 生成对抗网络(GAN) ResUNet 激活函数

国家自然科学基金

61871260

2023

10.16136/j.joel.2023.05.0504

光电子·激光
天津理工大学 中国光学学会

光电子·激光

CSCD北大核心
影响因子：1.437
ISSN：1005-0086
年,卷(期)：2023.34(5)
  • 2
  • 6