Neue Publikation von Ass.-Prof. Dr. Amirreza Mahbod und Ass.-Prof.in Dr.in Sepideh Hatamikia

Ass.-Prof. Dr. Amirreza Mahbod und Ass.-Prof. Dr. Sepideh Hatamikia haben im Computational and Structural Biotechnology Journal eine neue Arbeit mit dem Titel "Improving generalization capability of deep learning-based nuclei instance segmentation by non-deterministic train time and deterministic test time stain normalization" veröffentlicht. In dieser Arbeit, die in Zusammenarbeit zwischen der MIAAI-Forschungsgruppe der DPU, der Medizinischen Universität Wien und dem Österreichischen Zentrum für Medizinische Innovation und Technologie entstanden ist, wird eine neuartige Methode zur Verbesserung der Generalisierungsfähigkeit einer DL-basierten Kernsegmentierung vorgeschlagen. Neben der Verwendung eines der modernsten DL-basierten Modelle als Basis, beinhaltet der vorgeschlagene Ansatz nicht-deterministische Trainingszeit und deterministische Testzeit Fleckennormalisierung und Ensembling, um die Segmentierungsleistung zu steigern. Das Modell wurde mit einem einzigen Trainingsdatensatz trainiert, und seine Segmentierungsleistung wurde anhand von sieben Testdatensätzen bewertet. Die Ergebnisse zeigen, dass die vorgeschlagene Methode im Vergleich zum Basis-Segmentierungsmodell eine bessere Leistung bei der Segmentierung von Zellkernen bietet.