CausalCellSegmenter: Causal Inference inspired Diversified Aggregation Convolution for Pathology Image Segmentation

深度学习模型在病理图像分析领域的细胞核分割中表现出了很有前途的性能。然而，从多个领域训练一个稳健的模型仍然是细胞核分割面临的巨大挑战。此外，背景噪声、细胞核高度重叠和模糊边缘的缺点通常会导致性能不佳。为了解决这些挑战，我们提出了一种新的框架，称为CausalCellSegmenter，它将因果推断模块（CIM）与多样化聚合卷积（DAC）技术相结合。DAC模块被设计为通过一个简单的、无参数的注意力模块（SimAM）结合多样化的下采样特征，旨在克服误报识别和边缘模糊的问题。此外，我们引入CIM来利用样本加权，通过直接消除每个输入样本之间的虚假相关性并集中更多地关注特征和标签之间的相关性。在MoNuSeg-2018数据集上的大量实验取得了很有前途的结果，优于其他最先进的方法，其中mIoU和DSC分数分别增长了3.6%和2.65%。

论文旨在解决细胞核分割中的多域训练问题以及背景噪声、高度重叠和模糊边缘等问题，提高分割的准确性。

论文提出了一种新的框架CausalCellSegmenter，结合因果推断模块（CIM）和多样化聚合卷积（DAC）技术。DAC模块通过一个简单的无参数注意力模块（SimAM）来融合多样的下采样特征，以解决误检和边缘模糊的问题。此外，引入CIM来利用样本加权，直接消除每个输入样本之间的虚假相关性，更加关注特征和标签之间的相关性。

论文在MoNuSeg-2018数据集上进行了广泛的实验，取得了令人满意的结果，超过了其他现有方法，其中mIoU和DSC分数分别提高了3.6%和2.65%。此外，论文还开源了代码。

最近的相关研究包括：《U-Net++: A Nested U-Net Architecture for Medical Image Segmentation》、《A Survey on Deep Learning in Medical Image Analysis》等。