論文の概要: CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation
- arxiv url: http://arxiv.org/abs/2102.06867v1
- Date: Sat, 13 Feb 2021 05:59:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-16 15:46:37.550862
- Title: CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation
- Title(参考訳): CPP-Net:Nucleus Segmentationのためのコンテキスト対応ポリゴン提案ネットワーク
- Authors: Shengcong Chen, Changxing Ding, Minfeng Liu, and Dacheng Tao
- Abstract要約: 核分割のためのコンテキストアウェアポリゴンプロポーザルネットワーク(CPP-Net)を提案する。
まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。
次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。
第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
- 参考スコア(独自算出の注目度): 71.81734047345587
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nucleus segmentation is a challenging task due to the crowded distribution
and blurry boundaries of nuclei. Recent approaches represent nuclei by means of
polygons to differentiate between touching and overlapping nuclei and have
accordingly achieved promising performance. Each polygon is represented by a
set of centroid-to-boundary distances, which are in turn predicted by features
of the centroid pixel for a single nucleus. However, using the centroid pixel
alone does not provide sufficient contextual information for robust prediction.
To handle this problem, we propose a Context-aware Polygon Proposal Network
(CPP-Net) for nucleus segmentation. First, we sample a point set rather than
one single pixel within each cell for distance prediction. This strategy
substantially enhances contextual information and thereby improves the
robustness of the prediction. Second, we propose a Confidence-based Weighting
Module, which adaptively fuses the predictions from the sampled point set.
Third, we introduce a novel Shape-Aware Perceptual (SAP) loss that constrains
the shape of the predicted polygons. Here, the SAP loss is based on an
additional network that is pre-trained by means of mapping the centroid
probability map and the pixel-to-boundary distance maps to a different nucleus
representation. Extensive experiments justify the effectiveness of each
component in the proposed CPP-Net. Finally, CPP-Net is found to achieve
state-of-the-art performance on three publicly available databases, namely
DSB2018, BBBC06, and PanNuke. Code of this paper will be released.
- Abstract(参考訳): 核分裂は、核の混雑した分布とぼやけた境界のために難しい作業です。
近年のアプローチは、接触と重なり合う原子核を区別するために多角形を用いて核を表現し、有望な性能を達成した。
各ポリゴンは、単一の核のための遠心ピクセルの特徴によって予測される遠心-境界距離のセットで表されます。
しかし、セントロイドピクセルだけでは、堅牢な予測に十分な文脈情報を提供していない。
この問題に対処するため,核分割のためのコンテキスト対応ポリゴン提案ネットワーク(CPP-Net)を提案する。
まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。
この戦略は文脈情報を大幅に強化し、予測の堅牢性を向上させる。
次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。
第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
ここで、sap損失は、遠心確率マップと画素から境界距離マップを異なる核表現にマッピングすることで事前学習される追加のネットワークに基づいている。
広範な実験は提案されたCPP-Netの各コンポーネントの有効性を正当化する。
最後に、CPP-Netは3つの公開データベース(DSB2018、BBBC06、PanNuke)で最先端のパフォーマンスを達成する。
この論文のコードはリリースされる。
関連論文リスト
- DPA-P2PNet: Deformable Proposal-aware P2PNet for Accurate Point-based
Cell Detection [5.994317314012678]
ポイントベース細胞検出(PCD)は、計算病理学のコミュニティで注目を集めている。
中間密度マップ表現に依存する主流のPCD法とは異なり、P2PNet(Point-to-Point Network)は近年PCDのエンドツーエンドソリューションとして登場している。
P2PNetは、ポイント提案のスケールに依存しない性質のため、単一レベルの特徴マップからのデコードに制限されている。
提案手法は,階層的特徴写像上の点提案の座標に従って,復号化のためのマルチスケール特徴を直接抽出する。
論文 参考訳(メタデータ) (2023-03-05T08:02:42Z) - PointAttN: You Only Need Attention for Point Cloud Completion [89.88766317412052]
ポイント・クラウド・コンプリート(Point cloud completion)とは、部分的な3次元ポイント・クラウドから3次元の形状を完成させることである。
そこで我々は,kNNを除去するために,ポイントクラウドをポイント単位に処理する新しいニューラルネットワークを提案する。
提案するフレームワークであるPointAttNはシンプルで簡潔で効果的であり、3次元形状の構造情報を正確に捉えることができる。
論文 参考訳(メタデータ) (2022-03-16T09:20:01Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳(メタデータ) (2021-09-30T17:29:44Z) - PMP-Net: Point Cloud Completion by Learning Multi-step Point Moving
Paths [54.459879603473034]
我々はPMP-Netと呼ばれる新しいニューラルネットワークを設計し、地球移動体の動作を模倣する。
不完全な入力の各点を移動させ、ポイントクラウドを完結させ、ポイント移動パスの合計距離が最も短くなる。
点レベルの厳密でユニークな対応を学習し、不完全な形状と完全なターゲットの間の詳細なトポロジーと構造的関係を捉えることができる。
論文 参考訳(メタデータ) (2020-12-07T01:34:38Z) - Refinement of Predicted Missing Parts Enhance Point Cloud Completion [62.997667081978825]
点雲完了は、部分的な観測から3次元形状の点集合表現を用いて完全な幾何学を予測するタスクである。
従来のアプローチでは、不完全点集合によって供給されるエンコーダ・デコーダモデルにより、点雲全体を直接推定するニューラルネットワークが提案されていた。
本稿では、欠落した幾何を計算し、既知の入力と予測点クラウドを融合することに焦点を当てたエンドツーエンドニューラルネットワークアーキテクチャを提案する。
論文 参考訳(メタデータ) (2020-10-08T22:01:23Z) - PIE-NET: Parametric Inference of Point Cloud Edges [40.27043782820615]
我々は3Dポイントクラウドデータの特徴エッジを堅牢に識別するエンドツーエンドの学習技術を紹介した。
私たちのディープニューラルネットワークは、PIE-NETと呼ばれ、エッジのパラメトリック推論のために訓練されています。
論文 参考訳(メタデータ) (2020-07-09T15:35:10Z) - Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
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。
論文 参考訳(メタデータ) (2020-06-04T08:26:38Z)
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。