MorhoSeg：一种不确定性感知的深度学习方法用于复杂细胞形态的生物医学分割
原文中文，约500字，阅读约需2分钟。发表于：。本研究解决了生物细胞分割中存在的形态复杂性和变异性的问题，提出了一个新型的Ntera-2细胞基准数据集。通过采用不确定性感知的深度学习框架MorphoSeg，本文显著提高了细胞分割的准确性，尤其在处理复杂细胞形态时取得了显著的改进。
细胞分割在生物医学研究中至关重要。深度学习方法如CNNs在这方面取得进展，但显微镜像差仍是挑战。本研究利用DynamicNuclearNet和LIVECell数据集评估模型性能，模拟不同像差。结果表明，FPN结合SwinS在轻微像差下表现出色，而Cellpose2.0适合处理复杂细胞图像。研究为选择合适的分割模型提供了指导，提高了分割的可靠性。
