一种结合ASPP与SE的混合ResNet U-Net++架构,用于鱼类组织学图像分割

《Eng》:A Hybrid ResNet U-Net++ Architecture with ASPP and SE for Fish Histological Image Segmentation

【字体: 大 中 小 】 时间:2026年06月28日 来源:Eng 3.5

编辑推荐:

   摘要

  

摘要

对鱼类鳃部病变进行组织学分割是环境生物标志物分析中的关键步骤,因为像Sciades herzbergii这样的生物指示物种的形态变化,能够为水体污染物暴露提供具有生物学意义的证据。在此背景下,鳃部组织学分析有助于评估生物标志物;然而,人工量化病变既耗时又依赖观察者的主观判断,难以在大规模的环境监测项目中应用。此外,由于存在纹理不均、病变边界模糊、对比度低以及染色差异等问题,这项任务更为困难。为解决这些问题,本研究提出了一种深度学习框架,用于对鳃部组织学图像中的上皮隆起和增生现象进行语义分割。该模型结合了ResNet-50编码器、用于多尺度上下文聚合的ASPP瓶颈结构、基于挤压激励机制的通道重新校准机制,以及带有深度监督功能的嵌套U-Net++解码器。本研究还构建了GillHistDB数据集,其中包含447张RGB格式的组织学图像以及29,730个经过标注的病变区域,其中包括16,855例上皮隆起和12,875例增生病例。在基于重叠度的各项评估指标中,所提出的方法表现最佳。在类别层面,其对于上皮隆起的Dice值为(0.842 ± 0.055),对于增生的Dice值为(0.684 ± 0.190),相应的IoU值分别为(0.731 ± 0.080)和(0.548 ± 0.196)。对于上皮隆起,该方法的召回率最高,为(0.848 ± 0.074);而对于增生,其精确度最高,为(0.653 ± 0.205),同时召回率也保持在较高水平,为(0.767 ± 0.139)。这些结果表明,所提出的架构为鳃部组织学病变分割提供了有效且可靠的解决方案,而GillHistDB数据集则为未来关于环境生物监测、组织学生物标志物以及水体污染评估的研究提供了重要的参考基准。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号