Nuclei Instance Segmentation of Cryosectioned H&E Stained Histological Images using Triple U-Net Architecture

核团实例分割对于肿瘤诊断和癌症病理学研究至关重要。常用于医学诊断的是H&E染色图像，但在进行图像处理任务之前需要进行预处理。两种主要的预处理方法是福尔马林固定石蜡包埋样本（FFPE）和冰冻组织样本（FS）。虽然FFPE被广泛使用，但耗时较长，而FS样本可以快速处理。由于快速处理、染色和扫描可能导致图像质量的降低，因此分析由快速样本制备、染色和扫描得到的H&E染色图像可能存在困难。本文提出了一种利用H&E染色图像独特光学特性的方法。实现了三分支U-Net架构，其中每个分支都对最终分割结果有所贡献。该过程包括应用分水岭算法来分离重叠区域并提高准确性。Triple U-Net架构包括一个RGB分支、一个Hematoxylin分支和一个分割分支。本研究重点研究了一个名为CryoNuSeg的新型数据集。通过强大的实验得到的结果在各种指标上优于现有的最先进的结果。该数据集的基准分数为AJI 52.5和PQ 47.7，通过实现U-Net架构实现。然而，所提出的Triple U-Net架构实现了67.41的AJI分数和50.56的PQ分数。所提出的架构在AJI上的改进比其他评估指标更为显著，这进一步证明了Triple U-Net架构优于基线U-Net模型的优越性，因为AJI是一种更严格的评估指标。使用三分支U-Net模型，随后进行分水岭后处理，显着超过了基准分数，显示出AJI分数的实质性改进。

本文旨在解决快速样本制备、染色和扫描导致图像质量下降的情况下，对H&E染色图像进行核实例分割的问题。

本文提出了一种三分支U-Net架构，包括RGB分支、Hematoxylin分支和分割分支，每个分支都对最终分割结果做出贡献。此外，还采用分水岭算法对重叠区域进行分离和增强。

本文使用了一个新的数据集CryoNuSeg，并在该数据集上进行了实验，结果表明，该三分支U-Net架构的AJI得分为67.41，PQ得分为50.56，优于基准U-Net模型。此外，本文所提出的方法在AJI得分方面的提升更为显著，进一步证明了其优越性。

与本文相关的研究包括U-Net模型及其变种在核实例分割领域的应用，以及分水岭算法在图像分割中的应用。