論文の概要: Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation

• arxiv url: http://arxiv.org/abs/2007.10817v3
• Date: Mon, 14 Mar 2022 05:59:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-08 04:38:34.155288
• Title: Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation
• Title（参考訳）: Split and Expand: 弱修正セルインスタンスセグメンテーションにおける推論時間の改善
• Authors: Lin Geng Foo, Rui En Ho, Jiamei Sun, Alexander Binder
• Abstract要約: 本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
• 参考スコア（独自算出の注目度）: 71.50526869670716
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider the problem of segmenting cell nuclei instances from Hematoxylin and Eosin (H&E) stains with weak supervision. While most recent works focus on improving the segmentation quality, this is usually insufficient for instance segmentation of cell instances clumped together or with a small size. In this work, we propose a two-step post-processing procedure, Split and Expand, that directly improves the conversion of segmentation maps to instances. In the Split step, we split clumps of cells from the segmentation map into individual cell instances with the guidance of cell-center predictions through Gaussian Mixture Model clustering. In the Expand step, we find missing small cells using the cell-center predictions (which tend to capture small cells more consistently as they are trained using reliable point annotations), and utilize Layer-wise Relevance Propagation (LRP) explanation results to expand those cell-center predictions into cell instances. Our Split and Expand post-processing procedure is training-free and is executed at inference-time only. To further improve the performance of our method, a feature re-weighting loss based on LRP is proposed. We test our procedure on the MoNuSeg and TNBC datasets and show that our proposed method provides statistically significant improvements on object-level metrics. Our code will be made available.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(h&e)染色による細胞核の分節化の問題点について検討した。 最近の研究では、セグメンテーションの品質向上に重点を置いているが、セルインスタンスのセグメンテーションを一緒にあるいは小さなサイズでまとめる場合、通常は不十分である。 本研究では,セグメンテーションマップのインスタンスへの変換を直接改善する二段階後処理手順である split and expand を提案する。 スプリットステップでは,ガウス混合モデルクラスタリングによる細胞中心予測の指導により,セルの塊をセグメンテーションマップから個々のセルインスタンスに分割した。 拡張ステップでは、セル中心予測(信頼性のあるポイントアノテーションを使ってトレーニングされているため、より一貫して小さなセルをキャプチャする傾向にある)を使用して、小さなセルを欠いていることを発見し、レイヤワイド・レバレンス・プロパゲーション(LRP)の説明結果を用いて、これらのセル中心予測をセルインスタンスに拡張する。 SplitとExpandのポストプロセッシング手順はトレーニング不要で、推論時にのみ実行される。 提案手法の性能向上のために,LRPに基づく特徴量再重み付け損失を提案する。 我々は,MoNuSeg と TNBC のデータセットを用いて,提案手法がオブジェクトレベルの指標に対して統計的に有意な改善をもたらすことを示す。 私たちのコードは利用可能になります。

関連論文リスト

• Cell as Point: One-Stage Framework for Efficient Cell Tracking [54.19259129722988]
  本稿では,一段階の効率的なセルトラッキングを実現するために,新しいエンドツーエンドCAPフレームワークを提案する。 CAPは検出またはセグメンテーション段階を放棄し、細胞点の軌跡間の相関を利用して細胞を共同で追跡することでプロセスを単純化する。 Capは強力なセルトラッキング性能を示し、既存の方法の10倍から55倍の効率を示している。
  論文  参考訳（メタデータ） (2024-11-22T10:16:35Z)
• LKCell: Efficient Cell Nuclei Instance Segmentation with Large Convolution Kernels [32.157968641130545]
  高精度で効率的なセル分割法であるLKCellを提案する。 その中心となる洞察は、計算効率のよい大きな受容場を達成するために、大きな畳み込みカーネルのポテンシャルを解き放つことである。 我々は,従来の手法の冗長性を解析し,大規模な畳み込みカーネルに基づく新しいセグメンテーションデコーダを設計する。
  論文  参考訳（メタデータ） (2024-07-25T14:07:49Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• CUPre: Cross-domain Unsupervised Pre-training for Few-Shot Cell Segmentation [36.52664417716791]
  本研究は,大規模な未ラベルの細胞画像が利用可能であるが,アノテートされたわずかな割合しか存在しない,数発の細胞セグメンテーションのための事前学習モデルの問題点を考察する。 そこで我々は,CUPreと呼ばれるクロスドメイン非教師付き事前トレーニングを提案し,オブジェクト検出機能と共通視覚オブジェクトのインスタンスセグメンテーションを,ラベルなし画像を用いてセルの視覚領域に転送する。 実験により、CUPreは既存の事前学習方法より優れており、数発の細胞セグメンテーションと検出において最高平均精度(AP)を達成できることが示された。
  論文  参考訳（メタデータ） (2023-10-06T02:35:31Z)
• DoNet: Deep De-overlapping Network for Cytology Instance Segmentation [7.321293750325454]
  本稿では,分解・再結合戦略における重複ネットワーク(DoNet)を提案する。 Dual-path Region Module (DRM) は、セルクラスタを交差領域と補領域に明示的に分解する。 Mask-guided Region Proposal Strategy (MRP)は、内部セルインスタンス予測のためのセルアテンションマップを統合する。
  論文  参考訳（メタデータ） (2023-03-25T06:26:50Z)
• Look in Different Views: Multi-Scheme Regression Guided Cell Instance Segmentation [17.633542802081827]
  マルチスキーマ回帰誘導に基づく新しいセルインスタンス分割ネットワークを提案する。 マルチスキーマレグレッションガイダンスにより、ネットワークは異なるビューで各セルを見ることができる。 ベンチマークデータセット、DSB2018、CA2.5、SCISについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-08-17T05:24:59Z)
• BFS-Net: Weakly Supervised Cell Instance Segmentation from Bright-Field Microscopy Z-Stacks [47.72468932196169]
  BFM Z-Stack画像からの3次元セルインスタンスの予測について検討する。 本稿では,ボリューム・インスタンス・セグメンテーションのための2段階弱教師付き手法を提案する。 提案手法は,BFM Z-Stackデータだけでなく,他の3次元セル画像モダリティにも適用可能であることを示す。
  論文  参考訳（メタデータ） (2022-06-09T15:13:08Z)
• A hybrid multi-object segmentation framework with model-based B-splines for microbial single cell analysis [1.2031796234206138]
  本稿では,多目的微生物分離のためのハイブリッドアプローチを提案する。 このアプローチはMLに基づく検出と幾何学的変動に基づくセグメンテーションを組み合わせたものである。 本研究では,コリネバクテリウムグルタミカムの経時的データ顕微鏡における提案手法の性能について検討した。
  論文  参考訳（メタデータ） (2022-05-03T08:31:55Z)
• Stretchable Cells Help DARTS Search Better [70.52254306274092]
  分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。 現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。 本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
  論文  参考訳（メタデータ） (2020-11-18T14:15:51Z)

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。