期刊导航
期刊开放获取
上海教育软件发展有限公..
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于正则化U-net分割模型的脑胶质瘤精准密度估计方法
1
作者
夏瑞晨
叶臣
+3 位作者
赵来定
刘凯
潘敏鸿
姚佳烽
《生物化学与生物物理进展》
北大核心
2025年第11期2869-2883,共15页
目的在基于病理切片的脑胶质瘤临床诊断中,细胞核密度估计是最关键的任务之一。脑胶质瘤密度估计通常高度依赖细胞核的分割效果,而细胞核的形态多样性与染色差异性易导致语义分割模型的过拟合,最终带来密度估计误差而影响临床决策。鉴于...
目的在基于病理切片的脑胶质瘤临床诊断中,细胞核密度估计是最关键的任务之一。脑胶质瘤密度估计通常高度依赖细胞核的分割效果,而细胞核的形态多样性与染色差异性易导致语义分割模型的过拟合,最终带来密度估计误差而影响临床决策。鉴于此,本研究提出U-net+DropBlock分割模型驱动的细胞核密度估计方法,通过提升模型的泛化性以降低过拟合风险,获得精确的细胞核密度估计。方法首先,对脑胶质瘤的全切片图像(whole slice image,WSI)进行预处理,包括数据清洗、数据增强、颜色正则化、金标准确立等。然后,利用脑胶质瘤全切片的补丁图像,构建引入DropBlock正则化模块的U-net领域分割模型,称为U-net+DropBlock模型。特别是,DropBlock模块通过随机丢弃特征图中的区域信息,能够削弱特征间的过度空间相关性,以降低分割模型的过拟合风险。最后,对各补丁图像中的细胞核分割结果进行密度计算与可视化,以形成全切片范围的密度热力图。结果与最先进的细胞核领域分割模型相比,本文采用的U-net+DropBlock模型可获得更优的分割性能,确保提出的密度估计方法的准确性。结论本文提出的全域化细胞核密度估计方法,可助力脑胶质瘤临床诊疗的精准化和高效化发展。
展开更多
关键词
脑胶质瘤
细胞核
分割
细胞核密度估计
U-net语义分割
DropBlock正则化
在线阅读
下载PDF
职称材料
题名
基于正则化U-net分割模型的脑胶质瘤精准密度估计方法
1
作者
夏瑞晨
叶臣
赵来定
刘凯
潘敏鸿
姚佳烽
机构
南京航空航天大学机电学院
南京邮电大学通信与信息工程学院
南京医科大学第一附属医院病理科
暨南大学物理与光电工程学院
出处
《生物化学与生物物理进展》
北大核心
2025年第11期2869-2883,共15页
基金
国家自然科学基金(62471225)
济纶医工智能科技(南京)有限公司基金(2024外298)
+1 种基金
南京邮电大学引进人才科研启动基金(自然科学)(NY223134)
江苏省高水平医院结对帮扶建设专项(JDBFSQ202512)资助。
文摘
目的在基于病理切片的脑胶质瘤临床诊断中,细胞核密度估计是最关键的任务之一。脑胶质瘤密度估计通常高度依赖细胞核的分割效果,而细胞核的形态多样性与染色差异性易导致语义分割模型的过拟合,最终带来密度估计误差而影响临床决策。鉴于此,本研究提出U-net+DropBlock分割模型驱动的细胞核密度估计方法,通过提升模型的泛化性以降低过拟合风险,获得精确的细胞核密度估计。方法首先,对脑胶质瘤的全切片图像(whole slice image,WSI)进行预处理,包括数据清洗、数据增强、颜色正则化、金标准确立等。然后,利用脑胶质瘤全切片的补丁图像,构建引入DropBlock正则化模块的U-net领域分割模型,称为U-net+DropBlock模型。特别是,DropBlock模块通过随机丢弃特征图中的区域信息,能够削弱特征间的过度空间相关性,以降低分割模型的过拟合风险。最后,对各补丁图像中的细胞核分割结果进行密度计算与可视化,以形成全切片范围的密度热力图。结果与最先进的细胞核领域分割模型相比,本文采用的U-net+DropBlock模型可获得更优的分割性能,确保提出的密度估计方法的准确性。结论本文提出的全域化细胞核密度估计方法,可助力脑胶质瘤临床诊疗的精准化和高效化发展。
关键词
脑胶质瘤
细胞核
分割
细胞核密度估计
U-net语义分割
DropBlock正则化
Keywords
brain glioma
nucleus segmentation
nucleus density estimation
U-net semantic segmentation
DropBlock regularization
分类号
R730.4 [医药卫生—肿瘤]
在线阅读
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于正则化U-net分割模型的脑胶质瘤精准密度估计方法
夏瑞晨
叶臣
赵来定
刘凯
潘敏鸿
姚佳烽
《生物化学与生物物理进展》
北大核心
2025
0
在线阅读
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
