A more practically-oriented segment

A more practically-oriented segmentation method for detecting/segmenting abnormal nuclei within a field-of-view (FOV) had recently been reported and evaluated by our group . Specifically, a local adaptive graph cut (LAGC) approach, which models the nucleus and background as two Poisson distributions is proposed to refine the coarse segmentation of both normal and abnormal nuclei. Recently, a deep learning initialization and super pixels graph cut refinement method was proposed by our group with the aim of improving the segmentation of nuclei . Our previous approaches work well in most situations although they may generate inaccurate boundaries when the nuclei exhibit poor staining and/or their boundary contrast is low.In order to handle the challenges

結果 (繁體中文) 1:

最近已報導與由我們的組評價用於檢測/場的視場（FOV）內分割異常核的更實際導向分割方法。具體地，局部自適應圖形切割（LAGC）的方法中，核和背景作為兩個泊松分佈，提出了一種模型，以縮小正常和異常核的粗分割。最近，深度學習的初始化和超級像素圖形切割細化方法，提出了我們組提高細胞核的分割的目的。我們以前的方法在大多數情況下工作得很好，儘管它們可能產生不準確的邊界時，核染色表現不佳和/或它們的邊界對比度low.In為了處理所面臨的挑戰

結果 (繁體中文) 2:

最近，我們小組報告並評估了一種更面向實際的分割方法，用於檢測/分割視場（FOV）內的異常核。具體來說，提出了一種局部自我調整圖形切割（LAGC）方法，該方法將原子核和背景作為兩個泊成體分佈進行模型，以細化正常核和異常核的粗分割。近年來，我們集團提出了一種深度學習初始化和超圖元圖形剪切細化方法，目的是改進核的分割。我們之前的方法在大多數情況下都很好，儘管當原子核表現出不良的染色和/或邊界對比度較低時，它們可能會產生不准確的邊界。為了應對這些挑戰

結果 (繁體中文) 3:

我們小組最近報告並評估了一種更實用的視野內異常核檢測/分割方法。特別地，提出了一種局部自我調整圖割（LAGC）方法，將核和背景建模為兩個Poisson分佈來細化正常核和异常核的粗分割。最近，我們小組提出了一種深度學習初始化和超圖元圖切割細化方法，目的是改進細胞核的分割。我們以前的方法在大多數情况下都能很好地工作，儘管當細胞核染色不良和/或其邊界對比度較低時，它們可能會產生不準確的邊界