AWGUNET: Attention-Aided Wavelet Guided U-Net for Nuclei Segmentation in Histopathology Images

要約

病理組織画像における核の正確なセグメンテーションは、がんの診断にとって非常に重要です。
手動によるアノテーションは時間がかかり、人的ミスが発生しやすいため、このプロセスを自動化することは臨床専門家に貴重なサポートを提供します。
ただし、核セグメンテーションの自動化には、不確実な細胞境界、複雑な染色、および多様な構造により課題が生じます。
このペーパーでは、U-Net アーキテクチャと DenseNet-121 バックボーンを組み合わせ、両方の長所を活用して包括的なコンテキスト情報と空間情報を取得するセグメンテーション アプローチを紹介します。
私たちのモデルは、チャネル固有のアテンションのための学習可能な重み付きグローバル アテンション モジュールとともに、セル境界の描写を強化するウェーブレット ガイド付きチャネル アテンション モジュールを導入しています。
デコーダ モジュールは、アップサンプル ブロックと畳み込みブロックで構成され、染色パターンの処理におけるセグメンテーションをさらに洗練します。
Monuseg と TNBC という 2 つの公的にアクセス可能な組織病理学データセットに対して行われた実験結果は、私たちが提案したモデルの優位性を強調し、組織病理学的画像解析と癌診断を進歩させる可能性を示しています。
コードは https://github.com/AyushRoy2001/AWGUNET から入手できます。

要約(オリジナル)

Accurate nuclei segmentation in histopathological images is crucial for cancer diagnosis. Automating this process offers valuable support to clinical experts, as manual annotation is time-consuming and prone to human errors. However, automating nuclei segmentation presents challenges due to uncertain cell boundaries, intricate staining, and diverse structures. In this paper, we present a segmentation approach that combines the U-Net architecture with a DenseNet-121 backbone, harnessing the strengths of both to capture comprehensive contextual and spatial information. Our model introduces the Wavelet-guided channel attention module to enhance cell boundary delineation, along with a learnable weighted global attention module for channel-specific attention. The decoder module, composed of an upsample block and convolution block, further refines segmentation in handling staining patterns. The experimental results conducted on two publicly accessible histopathology datasets, namely Monuseg and TNBC, underscore the superiority of our proposed model, demonstrating its potential to advance histopathological image analysis and cancer diagnosis. The code is made available at: https://github.com/AyushRoy2001/AWGUNET.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google