論文の概要: Simultaneous Semantic and Instance Segmentation for Colon Nuclei Identification and Counting

• arxiv url: http://arxiv.org/abs/2203.00157v1
• Date: Tue, 1 Mar 2022 00:25:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-02 14:18:15.874295
• Title: Simultaneous Semantic and Instance Segmentation for Colon Nuclei Identification and Counting
• Title（参考訳）: 大腸核同定と計数のための同時セマンティックスとインスタンスセグメンテーション
• Authors: Lihao Liu, Chenyang Hong, Angelica I. Aviles-Rivero, Carola-Bibiane Sch\"onlieb
• Abstract要約: 我々は,同時セマンティクスとインスタンスセグメンテーションのフレームワークとして構成されたソリューションを提案する。 私たちのソリューションは、Colon Nuclei Identification and Counting (CoNIC) Challengeの一部です。
• 参考スコア（独自算出の注目度）: 3.582485486382699
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We address the problem of automated nuclear segmentation, classification, and quantification from Haematoxylin and Eosin stained histology images, which is of great relevance for several downstream computational pathology applications. In this work, we present a solution framed as a simultaneous semantic and instance segmentation framework. Our solution is part of the Colon Nuclei Identification and Counting (CoNIC) Challenge. We first train a semantic and instance segmentation model separately. Our framework uses as backbone HoverNet and Cascade Mask-RCNN models. We then ensemble the results with a custom Non-Maximum Suppression embedding (NMS). In our framework, the semantic model computes a class prediction for the cells whilst the instance model provides a refined segmentation. We demonstrate, through our experimental results, that our model outperforms the provided baselines by a large margin.
• Abstract（参考訳）: 本稿では,Haematoxylin および Eosin 染色組織像から得られた自動核分割,分類,定量化の問題点に対処する。 本稿では,セマンティクスとインスタンスセグメンテーションの同時フレームワークとして構成したソリューションを提案する。 私たちのソリューションは、Colon Nuclei Identification and Counting (CoNIC) Challengeの一部です。 まず、セグメンテーションモデルとインスタンスセグメンテーションモデルを別々にトレーニングします。 私たちのフレームワークはbackbone hovernetとcascade mask-rcnnモデルとして使用しています。 次に、結果をNMS(Non-Maximum Suppression Embedding)にまとめます。 我々のフレームワークでは、セマンティックモデルがセルのクラス予測を計算し、インスタンスモデルが洗練されたセグメンテーションを提供する。 実験結果から,提案するモデルでは,提案するベースラインを大きなマージンで上回る結果が得られた。

関連論文リスト

• Segment Anything for Histopathology [2.6579756198224347]
  ビジョンファウンデーションモデル(VFM)は、自動的および対話的セグメンテーションのより堅牢な代替手段を提供する。 本稿では,多種多様なデータセットを用いたSAMのトレーニングに基づく核セグメンテーションのためのVFMであるPathoSAMを紹介する。 私たちのモデルはオープンソースで、データアノテーションの一般的なツールと互換性があります。
  論文  参考訳（メタデータ） (2025-02-01T11:59:04Z)
• OMG-Seg: Is One Model Good Enough For All Segmentation? [83.17068644513144]
  OMG-Segは、タスク固有のクエリと出力を持つトランスフォーマーベースのエンコーダデコーダアーキテクチャである。 OMG-Segは10以上の異なるセグメンテーションタスクをサポートできるが、計算とパラメータのオーバーヘッドを大幅に削減できることを示す。
  論文  参考訳（メタデータ） (2024-01-18T18:59:34Z)
• Multi-stream Cell Segmentation with Low-level Cues for Multi-modality Images [66.79688768141814]
  我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。 次に、分類ラベルに基づいて分類モデルを訓練する。 2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
  論文  参考訳（メタデータ） (2023-10-22T08:11:08Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology [3.2228025627337864]
  デジタル組織学における核の同時セグメンテーションと分類は、コンピュータによるがん診断において重要な役割を担っている。 最も達成されたバイナリとマルチクラスのPanoptic Quality (PQ)は、それぞれ0.68 bPQと0.49 mPQである。 この作業は、以前のモデルを同時インスタンスのセグメンテーションと分類に拡張します。
  論文  参考訳（メタデータ） (2023-08-22T04:10:14Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• Ensembling Instance and Semantic Segmentation for Panoptic Segmentation [0.0]
  メソッドはまず、インスタンスセグメンテーションとセマンティックセグメンテーションを別々に実行し、2つを組み合わせてパン光学セグメンテーション結果を生成する。 トレーニングデータにおけるデータ不均衡問題に対処するために,インスタンスセグメンテーションにおけるMask R-CNNのエキスパートモデルをいくつか追加する。 セグメンテーションでは,様々なバックボーンを持つモデルを訓練し,セグメンテーション結果をさらに強化するアンサンブル戦略を用いた。
  論文  参考訳（メタデータ） (2023-04-20T14:02:01Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Instance Segmentation of Unlabeled Modalities via Cyclic Segmentation GAN [27.936725483892076]
  本稿では,画像翻訳とインスタンスセグメンテーションを共同で行うCysic Generative Adrial Network(CySGAN)を提案する。 注記電子顕微鏡(en:Annotated electron microscopy, EM)画像とラベルなし拡張顕微鏡(en:Unlabeled expansion microscopy, ExM)データを用いて, ニューロンの3次元セグメンテーションの課題についてベンチマークを行った。
  論文  参考訳（メタデータ） (2022-04-06T20:46:39Z)
• Keep It Accurate and Robust: An Enhanced Nuclei Analysis Framework [18.07080933081179]
  限られたデータセットの変動から生じる問題に対処する新しい枠組みを提案する。 我々は、核組成予測のための第1位を含む、公開ベンチマークで最先端の結果を得る。 本研究は、原子核解析の最先端化に向けた改良されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-04T06:41:40Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。