Fuzzy Rank-based Late Fusion Technique for Cytology image Segmentation

细胞学图像分割由于其复杂的细胞结构和多个重叠区域而具有相当大的挑战性。另一方面，对于监督式机器学习技术，我们需要大量标注数据，这是很昂贵的。近年来，后期融合技术在图像分类领域取得了一些有希望的表现。在本文中，我们探索了一种基于模糊逻辑的细胞学图像分割后期融合技术。这种融合规则整合了三种传统的语义分割模型UNet、SegNet和PSPNet。该技术应用于两个细胞学图像数据集，即宫颈细胞学（HErlev）和乳腺细胞学（JUCYT-v1）图像数据集。在所提出的后期融合技术之后，我们在HErlev数据集和JUCYT-v1数据集上分别实现了最大的MeanIoU分数84.27%和83.79%，这比传统的融合规则如平均概率、几何平均数、Borda计数等更好。所提出模型的代码可在GitHub上获得。

本文旨在解决细胞学图像分割的挑战，即复杂的细胞结构和多个重叠区域。同时，为了监督机器学习技术，需要大量的注释数据，这是昂贵的。作者探索了一种基于模糊逻辑的后融合技术，将三种传统的语义分割模型UNet、SegNet和PSPNet进行整合，提高细胞学图像分割的准确性。

本文的关键思路是采用基于模糊逻辑的后融合技术，将三种传统的语义分割模型进行整合，提高细胞学图像分割的准确性。

本文在两个细胞学图像数据集上进行实验，分别是宫颈细胞学（HErlev）和乳腺细胞学（JUCYT-v1）图像数据集。作者提出的后融合技术在这两个数据集上均取得了较好的结果，分别为84.27％和83.79％，比传统融合规则如平均概率、几何平均数、Borda计数等效果更好。该模型的代码已经在GitHub上开源。

近年来，细胞学图像分割方面的研究有很多，例如基于深度学习的语义分割模型，如U-Net、SegNet、PSPNet等。此外，还有一些研究采用其他技术，如图像处理、传统机器学习方法等。