Fugu-MT 論文翻訳(概要): Color Space-based HoVer-Net for Nuclei Instance Segmentation and Classification

論文の概要: Color Space-based HoVer-Net for Nuclei Instance Segmentation and Classification

arxiv url: http://arxiv.org/abs/2203.01940v1
Date: Thu, 3 Mar 2022 10:27:36 GMT
ステータス: 処理完了
システム内更新日: 2022-03-07 14:36:18.736112
Title: Color Space-based HoVer-Net for Nuclei Instance Segmentation and Classification
Title（参考訳）: カラー空間に基づくニュークリインスタンスセグメンテーションと分類のためのHoVer-Net
Authors: Hussam Azzuni, Muhammad Ridzuan, Min Xu, and Mohammad Yaqub
Abstract要約: また、HoVer-Netモデルのエンコーダとして"ConvNeXt"が使用された。 Unified Focal Loss (UFL) は, 背景不均衡に対処するために用いられた。シャープネス・アウェアの最小化 (SAM) はモデルの一般化性を保証するために用いられた。
参考スコア（独自算出の注目度）: 4.7935387855729035
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Nuclei segmentation and classification is the first and most crucial step that is utilized for many different microscopy medical analysis applications. However, it suffers from many issues such as the segmentation of small objects, imbalance, and fine-grained differences between types of nuclei. In this paper, multiple different contributions were done tackling these problems present. Firstly, the recently released "ConvNeXt" was used as the encoder for HoVer-Net model since it leverages the key components of transformers that make them perform well. Secondly, to enhance the visual differences between nuclei, a multi-channel color space-based approach is used to aid the model in extracting distinguishing features. Thirdly, Unified Focal loss (UFL) was used to tackle the background-foreground imbalance. Finally, Sharpness-Aware Minimization (SAM) was used to ensure generalizability of the model. Overall, we were able to outperform the current state-of-the-art (SOTA), HoVer-Net, on the preliminary test set of the CoNiC Challenge 2022 by 12.489% mPQ+.
Abstract（参考訳）: 核のセグメンテーションと分類は、多くの異なる顕微鏡医学分析アプリケーションに利用される最初の、そして最も重要なステップである。しかし、小さな物体の分割、不均衡、核の種類間の微細な違いなど、多くの問題に悩まされている。本稿では,これらの問題に対処するための様々な貢献を行った。まず、最近リリースされた"ConvNeXt"がHoVer-Netモデルのエンコーダとして使われました。第二に、原子核間の視覚的差異を高めるために、多チャンネルカラー空間に基づくアプローチを用いて特徴の抽出を支援する。第3に,UFL(Unified Focal Los)は背景不均衡に対処するために用いられた。最後に、モデルの一般化性を確保するために、SAM(Sharpness-Aware Minimization)が用いられた。全体としては、CoNiC Challenge 2022の予備テストセットで現在の最先端(SOTA)であるHoVer-Netを12.489%のmPQ+で上回りました。

関連論文リスト

Prompting Segment Anything Model with Domain-Adaptive Prototype for Generalizable Medical Image Segmentation [49.5901368256326]
医用画像のセグメンテーションにおけるセグメンテーションモデル(DAPSAM)の微調整のための新しいドメイン適応型プロンプトフレームワークを提案する。 DAPSAMは,2つの医療画像分割タスクにおいて,異なるモダリティで最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2024-09-19T07:28:33Z)
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)
Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文参考訳（メタデータ） (2024-03-01T15:14:47Z)
DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文参考訳（メタデータ） (2023-09-01T01:01:13Z)
TransNuSeg: A Lightweight Multi-Task Transformer for Nuclei Segmentation [6.369485141013728]
我々は、TransNuSegと呼ばれる核セグメンテーションのための純粋なトランスフォーマーフレームワークの最初の試みを行う。従来の研究で異なる枝から分岐予測を除去するために、枝間の一貫性を明示的に規定する新たな自己蒸留損失を導入する。 MoNuSegを含む2つのデータセットの実験により、我々の手法は、パラメータを30%減らして、最先端のDiceを2-3%向上させることができることが示された。
論文参考訳（メタデータ） (2023-07-16T14:12:54Z)
Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文参考訳（メタデータ） (2022-12-20T14:53:26Z)
MGTUNet: An new UNet for colon nuclei instance segmentation and quantification [3.693770437824002]
本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。 3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
論文参考訳（メタデータ） (2022-10-20T03:00:40Z)
Prediction Calibration for Generalized Few-shot Semantic Segmentation [101.69940565204816]
汎用Few-shot Semantic (GFSS) は、各画像ピクセルを、豊富なトレーニング例を持つベースクラスか、クラスごとにわずかに(例: 1-5)のトレーニングイメージを持つ新しいクラスのいずれかに分割することを目的としている。我々は、融合したマルチレベル機能を用いて、分類器の最終予測をガイドするクロスアテンションモジュールを構築する。私たちのPCNは、最先端の代替品よりも大きなマージンで優れています。
論文参考訳（メタデータ） (2022-10-15T13:30:12Z)
Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文参考訳（メタデータ） (2022-03-09T16:17:47Z)
Nuclear Segmentation and Classification Model with Imbalanced Classes for CoNiC Challenge [6.5218000325588505]
核セグメンテーションと分類は、計算病理学にとって重要なステップである。ワーウィック大学のTIA研究所は、リザードデータセットに基づく大腸癌におけるH&E染色組織像のための核分割分類チャレンジ(CoNiC)を組織した。この課題では、コンピュータアルゴリズムは上皮、リンパ球、血漿、好酸球、好中球、結合組織を含む6種類の核を分離し、認識することができる。
論文参考訳（メタデータ） (2022-03-01T01:42:33Z)

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。