論文の概要: Boundary-assisted Region Proposal Networks for Nucleus Segmentation

• arxiv url: http://arxiv.org/abs/2006.02695v1
• Date: Thu, 4 Jun 2020 08:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-25 10:10:57.075459
• Title: Boundary-assisted Region Proposal Networks for Nucleus Segmentation
• Title（参考訳）: 核分割のための境界支援地域提案ネットワーク
• Authors: Shengcong Chen, Changxing Ding, Dacheng Tao
• Abstract要約: 大量の核が混在しているため、機械学習モデルはうまく機能しない。 我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
• 参考スコア（独自算出の注目度）: 89.69059532088129
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Nucleus segmentation is an important task in medical image analysis. However, machine learning models cannot perform well because there are large amount of clusters of crowded nuclei. To handle this problem, existing approaches typically resort to sophisticated hand-crafted post-processing strategies; therefore, they are vulnerable to the variation of post-processing hyper-parameters. Accordingly, in this paper, we devise a Boundary-assisted Region Proposal Network (BRP-Net) that achieves robust instance-level nucleus segmentation. First, we propose a novel Task-aware Feature Encoding (TAFE) network that efficiently extracts respective high-quality features for semantic segmentation and instance boundary detection tasks. This is achieved by carefully considering the correlation and differences between the two tasks. Second, coarse nucleus proposals are generated based on the predictions of the above two tasks. Third, these proposals are fed into instance segmentation networks for more accurate prediction. Experimental results demonstrate that the performance of BRP-Net is robust to the variation of post-processing hyper-parameters. Furthermore, BRP-Net achieves state-of-the-art performances on both the Kumar and CPM17 datasets. The code of BRP-Net will be released at https://github.com/csccsccsccsc/brpnet.
• Abstract（参考訳）: 核セグメンテーションは医用画像解析において重要な課題である。 しかし、大量の混在する原子核が存在するため、機械学習モデルはうまく機能しない。 この問題に対処するため、既存のアプローチでは手作りの高度な後処理戦略を採用しているため、後処理のハイパーパラメータの変動に弱い。 そこで本稿では,堅牢なインスタンスレベル核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を提案する。 まず,セマンティックセグメンテーションやインスタンス境界検出タスクのための高品質な特徴を効率的に抽出するタスク認識型特徴符号化(tafe)ネットワークを提案する。 これは2つのタスク間の相関と差を慎重に検討することで達成される。 次に、上記の2つのタスクの予測に基づいて粗核プロポーザルを生成する。 第三に、これらの提案はより正確な予測のためにインスタンスセグメンテーションネットワークに送られる。 実験結果から,BRP-Netの性能は後処理ハイパーパラメータの変動に頑健であることがわかった。 さらに、BRP-Netは、KumarとCPM17データセットの両方で最先端のパフォーマンスを達成する。 BRP-Netのコードはhttps://github.com/csccsccsccsc/brpnetで公開される。

関連論文リスト

• SGLP: A Similarity Guided Fast Layer Partition Pruning for Compressing Large Deep Models [19.479746878680707]
  レイヤプルーニングは、ネットワークサイズを削減し、計算効率を向上させるための強力なアプローチである。 大規模深層モデル圧縮のための類似性誘導高速層分割プルーニングを提案する。 本手法は精度と計算効率の両面で最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-10-14T04:01:08Z)
• Interactive Segmentation as Gaussian Process Classification [58.44673380545409]
  クリックベースのインタラクティブセグメンテーション(IS)は、ユーザインタラクション下で対象オブジェクトを抽出することを目的としている。 現在のディープラーニング(DL)ベースの手法のほとんどは、主にセマンティックセグメンテーションの一般的なパイプラインに従っている。 本稿では,各画像上でガウス過程(GP)に基づく画素単位のバイナリ分類モデルとしてISタスクを定式化することを提案する。
  論文  参考訳（メタデータ） (2023-02-28T14:01:01Z)
• Deep Neural Network Pruning for Nuclei Instance Segmentation in Hematoxylin & Eosin-Stained Histological Images [2.137877631340496]
  プルーニングディープニューラルネットワーク(DNN)は、精度と一般化能力を改善するために多くの注目を集めている。 本研究では, 階層的, ネットワーク規模のプルーニング技術が組織像の核インスタンス分割性能に及ぼす影響について検討する。
  論文  参考訳（メタデータ） (2022-06-15T09:52:41Z)
• ISDA: Position-Aware Instance Segmentation with Deformable Attention [4.188555841288538]
  我々はISDAと呼ばれる新しいエンドツーエンドのインスタンスセグメンテーション手法を提案する。 従来の畳み込み操作によって生成されるオブジェクトマスクのセットを予測するために、タスクを再設定する。 提案手法は, セット予測機構によりNMSフリーである。
  論文  参考訳（メタデータ） (2022-02-23T12:30:18Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• A novel Region of Interest Extraction Layer for Instance Segmentation [3.5493798890908104]
  本稿では,既存のRoI抽出器の限界を克服する必要性を動機とする。 提案するレイヤ(Generic RoI Extractor - GRoIE)には,非ローカルなビルディングブロックとアテンション機構が導入され,パフォーマンスが向上する。 GRoIEは、オブジェクト検出とインスタンスセグメンテーションの両方のために、すべての2段階アーキテクチャとシームレスに統合できる。
  論文  参考訳（メタデータ） (2020-04-28T17:07:32Z)
• CRNet: Cross-Reference Networks for Few-Shot Segmentation [59.85183776573642]
  少ないショットセグメンテーションは、少数のトレーニングイメージを持つ新しいクラスに一般化できるセグメンテーションモデルを学ぶことを目的としている。 相互参照機構により、我々のネットワークは2つの画像に共起する物体をよりよく見つけることができる。 PASCAL VOC 2012データセットの実験は、我々のネットワークが最先端のパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2020-03-24T04:55:43Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。