論文の概要: Look in Different Views: Multi-Scheme Regression Guided Cell Instance Segmentation

• arxiv url: http://arxiv.org/abs/2208.08078v1
• Date: Wed, 17 Aug 2022 05:24:59 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-18 12:58:54.919873
• Title: Look in Different Views: Multi-Scheme Regression Guided Cell Instance Segmentation
• Title（参考訳）: 異なる視点で見る:マルチスキーム回帰誘導型セルインスタンスセグメンテーション
• Authors: Menghao Li, Wenquan Feng, Shuchang Lyu, Lijiang Chen, Qi Zhao
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 17.633542802081827
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cell instance segmentation is a new and challenging task aiming at joint detection and segmentation of every cell in an image. Recently, many instance segmentation methods have applied in this task. Despite their great success, there still exists two main weaknesses caused by uncertainty of localizing cell center points. First, densely packed cells can easily be recognized into one cell. Second, elongated cell can easily be recognized into two cells. To overcome these two weaknesses, we propose a novel cell instance segmentation network based on multi-scheme regression guidance. With multi-scheme regression guidance, the network has the ability to look each cell in different views. Specifically, we first propose a gaussian guidance attention mechanism to use gaussian labels for guiding the network's attention. We then propose a point-regression module for assisting the regression of cell center. Finally, we utilize the output of the above two modules to further guide the instance segmentation. With multi-scheme regression guidance, we can take full advantage of the characteristics of different regions, especially the central region of the cell. We conduct extensive experiments on benchmark datasets, DSB2018, CA2.5 and SCIS. The encouraging results show that our network achieves SOTA (state-of-the-art) performance. On the DSB2018 and CA2.5, our network surpasses previous methods by 1.2% (AP50). Particularly on SCIS dataset, our network performs stronger by large margin (3.0% higher AP50). Visualization and analysis further prove that our proposed method is interpretable.
• Abstract（参考訳）: セルインスタンスのセグメンテーションは、画像内の各セルのジョイント検出とセグメンテーションを目的とした、新しくて挑戦的なタスクである。 近年,この課題に多くのインスタンスセグメンテーション手法が適用されている。 その大きな成功にもかかわらず、細胞中心点の局在性の不確実性によって引き起こされる2つの大きな弱点がある。 まず、密集した細胞を1つの細胞に容易に認識することができる。 第二に、細長い細胞は2つの細胞に容易に認識できる。 この2つの弱点を克服するために,マルチスキーム回帰指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。 マルチスキーム回帰ガイダンスでは、ネットワークは各セルを異なるビューで見ることができる。 具体的には,まずネットワークの注意を誘導するためにガウスラベルを使用するガウス指導注意機構を提案する。 次に,セル中心の回帰を支援する点回帰モジュールを提案する。 最後に、上記の2つのモジュールの出力を利用して、インスタンスセグメンテーションをさらにガイドする。 マルチスキーム回帰誘導により、異なる領域、特に細胞の中心領域の特性を最大限に活用することができる。 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。 その結果,我々のネットワークがSOTA(state-of-the-art)の性能を達成することを示す。 DSB2018とCA2.5では、従来の手法を1.2%上回る(AP50)。 特にSCISデータセットでは、ネットワークは大きなマージン(3.0%高AP50)でより強力に動作します。 可視化と解析により,提案手法が解釈可能であることを示す。

関連論文リスト

• 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)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• 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)
• 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)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  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。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning [0.6091702876917281]
  本稿では,密集したセルの画像を解析するためのセル分割法を提案する。 マーカー制御型流域変換と畳み込みニューラルネットワーク(CNN)の強みを組み合わせた手法 提案手法は使いやすく, 各種データに最先端の性能を応用した汎用化を実現している。
  論文  参考訳（メタデータ） (2020-04-03T14:51:43Z)
• Cell Segmentation and Tracking using CNN-Based Distance Predictions and a Graph-Based Matching Strategy [0.20999222360659608]
  顕微鏡画像における触覚細胞のセグメンテーション法を提案する。 距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。 この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
  論文  参考訳（メタデータ） (2020-04-03T11:55:28Z)

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。