本研究提出 TC-Former,一种结合 Transformer 与 CNN 的高效病理图像细胞核分割模型。通过设计特征交换模块融合局部与全局特征,并引入多尺度池化结构提升泛化能力。在 MoNuSeg 数据集上的实验结果表明,TC-Former 在分割精度和鲁棒性上均优于现有方法,为计算病理智能诊断提供了有力支持。
本研究提出一种基于 Transformer 的细胞核实例分割方法,设计了多尺度特征聚合模块(MSFAM)与特征混合交叉注意力模块(FMCAM),有效融合局部与全局信息。模型还引入水平与垂直距离图预测分支,提升了重叠细胞的分割效果。在 MoNuSeg 数据集上的实验表明,该方法在 Dice 和 AJI 指标上均优于现有方法,展现出更强的精度与鲁棒性。
本研究提出 TC-Former,一种结合 Transformer 与 CNN 的高效病理图像细胞核分割模型。通过设计特征交换模块融合局部与全局特征,并引入多尺度池化结构提升泛化能力。在 MoNuSeg 数据集上的实验结果表明,TC-Former 在分割精度和鲁棒性上均优于现有方法,为计算病理智能诊断提供了有力支持。...
本研究提出一种基于 Transformer 的细胞核实例分割方法,设计了多尺度特征聚合模块(MSFAM)与特征混合交叉注意力模块(FMCAM),有效融合局部与全局信息。模型还引入水平与垂直距离图预测分支,提升了重叠细胞的分割效果。在 MoNuSeg 数据集上的实验表明,该方法在 Dice 和 AJI 指标上均优于现有方法,展现出更强的精度与鲁棒性。...
添加客服微信,免费为您安排与该工程师直接沟通
长按二维码添加客服微信
如该工程师当前档期不合,也可免费为您推荐相似候选人