A robust automatic nuclei segmentation technique for quantitative histopathological image analysis.
Notice bibliographique
Résumé
OBJECTIVE: To develop a computer-aided robust nuclei segmentation technique for quantitative histopathological image analysis. STUDY DESIGN: A robust nuclei segmentation technique for histopathological image analysis is proposed. The proposed technique uses a hybrid morphological reconstruction module to reduce the intensity variation within the nuclei regions and suppress the noise in the image. A local region adaptive threshold selection module based on local optimal threshold is used to segment the nuclei. The technique incorporates domain-specific knowledge of skin histopathological images for more accurate segmentation results. RESULTS: The technique is compared to the manually labeled nuclei locations and nuclei boundaries for the performance evaluations. On different histopathological images of skin epidermis with complex background, containing more than 3000 nuclei, the technique provides a good nuclei detection performance: 88.11% sensitivity rate, 80.02% positive prediction rate and only 5.34% under-segmentation rate compared to the manually labeled nuclei locations. Compared to the 110 manually segmented nuclei regions, the proposed technique provides a good segmentation performance (in terms of the nucleus area, perimeter, and form factor). CONCLUSION: The proposed technique is able to provide more accurate segmentation performance compared to the existing techniques and can be employed for quantitative analysis of the histopathological images.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».