論文の概要: DPA-P2PNet: Deformable Proposal-aware P2PNet for Accurate Point-based
Cell Detection
- arxiv url: http://arxiv.org/abs/2303.02602v2
- Date: Sat, 26 Aug 2023 07:24:35 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-30 00:35:31.222045
- Title: DPA-P2PNet: Deformable Proposal-aware P2PNet for Accurate Point-based
Cell Detection
- Title(参考訳): DPA-P2PNet:正確なポイントベース細胞検出のための変形可能な提案対応P2PNet
- Authors: Zhongyi Shui, Sunyi Zheng, Chenglu Zhu, Shichuan Zhang, Xiaoxuan Yu,
Honglin Li, Jingxiong Li, Pingyi Chen, Lin Yang
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 5.994317314012678
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Point-based cell detection (PCD), which pursues high-performance cell sensing
under low-cost data annotation, has garnered increased attention in
computational pathology community. Unlike mainstream PCD methods that rely on
intermediate density map representations, the Point-to-Point network (P2PNet)
has recently emerged as an end-to-end solution for PCD, demonstrating
impressive cell detection accuracy and efficiency. Nevertheless, P2PNet is
limited to decoding from a single-level feature map due to the scale-agnostic
property of point proposals, which is insufficient to leverage multi-scale
information. Moreover, the spatial distribution of pre-set point proposals is
biased from that of cells, leading to inaccurate cell localization. To lift
these limitations, we present DPA-P2PNet in this work. The proposed method
directly extracts multi-scale features for decoding according to the
coordinates of point proposals on hierarchical feature maps. On this basis, we
further devise deformable point proposals to mitigate the positional bias
between proposals and potential cells to promote cell localization. Inspired by
practical pathological diagnosis that usually combines high-level tissue
structure and low-level cell morphology for accurate cell classification, we
propose a multi-field-of-view (mFoV) variant of DPA-P2PNet to accommodate
additional large FoV images with tissue information as model input. Finally, we
execute the first self-supervised pre-training on immunohistochemistry
histopathology image data and evaluate the suitability of four representative
self-supervised methods on the PCD task. Experimental results on three
benchmarks and a large-scale and real-world interval dataset demonstrate the
superiority of our proposed models over the state-of-the-art counterparts.
Codes and pre-trained weights will be available.
- Abstract(参考訳): 低コストなデータアノテーションの下で高性能な細胞センシングを追求する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、印象的な細胞検出精度と効率を示している。
それでも、P2PNetは、ポイントプロポーザル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。
さらに、プリセットされた点の提案の空間分布は細胞のそれと偏りがあり、不正確な細胞局在をもたらす。
これらの制限を解消するため,本稿ではDPA-P2PNetについて述べる。
提案手法は,階層的特徴マップ上のポイント提案の座標に従ってデコードを行うマルチスケール特徴を直接抽出する。
そこで本研究では, 細胞局在を促進するため, 細胞の位置バイアスを軽減するために, 変形可能な点の提案をさらに考案する。
DPA-P2PNetのマルチフィールド・オブ・ビュー(mFoV)変異体をモデル入力として,高レベル組織構造と低レベル細胞形態を併用した臨床病理学的診断に着想を得た。
最後に,免疫組織化学組織像データに基づく初の自己監督前訓練を行い,PCDタスクにおける4つの代表的自己監督手法の適合性を評価する。
3つのベンチマークと大規模かつ実世界のインターバルデータセットの実験結果から,提案モデルが最先端モデルよりも優れていることが示された。
コードとトレーニング済みのウェイトが利用可能だ。
関連論文リスト
- Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳(メタデータ) (2023-08-31T05:05:53Z) - Distribution Aligned Diffusion and Prototype-guided network for
Unsupervised Domain Adaptive Segmentation [19.043268288432156]
教師なしドメイン適応セグメンテーションのための拡散型およびプロトタイプ誘導型ネットワーク(DP-Net)を提案する。
提案手法の性能は信頼性が高く,最先端の手法よりも優れていることを示す。
論文 参考訳(メタデータ) (2023-03-22T05:03:14Z) - Point-to-Box Network for Accurate Object Detection via Single Point
Supervision [51.95993495703855]
オフ・ザ・シェルフ提案法(OTSP)の軽量な代替手法を提案する。
P2BNetは、アンカーのような方法で提案を生成することで、オブジェクト間のバランスの取れた提案バッグを構築することができる。
コードはCOCO.com/ucas-vg/P2BNetでリリースされる。
論文 参考訳(メタデータ) (2022-07-14T11:32:00Z) - End-to-end cell recognition by point annotation [5.130998755172569]
本稿では,事前設定されたアンカーポイントに対して,直接回帰と分類を適用するエンドツーエンドフレームワークを提案する。
具体的には,低レベル特徴と高レベル意味論を同時に組み合わせたピラミッド型特徴集合戦略を提案する。
さらに,基本事実と予測点とを一致させて,マルチタスク学習フレームワークを適応させる最適化コスト関数を設計した。
論文 参考訳(メタデータ) (2022-07-01T02:44:58Z) - TC-Net: Triple Context Network for Automated Stroke Lesion Segmentation [0.5482532589225552]
本稿では,空間的コンテキスト情報を中心として,新たなネットワークである Triple Context Network (TC-Net) を提案する。
我々のネットワークはオープンデータセットATLASで評価され、最高スコアは0.594、ハウスドルフ距離は27.005mm、平均対称性表面距離は7.137mmである。
論文 参考訳(メタデータ) (2022-02-28T11:12:16Z) - Rethinking Counting and Localization in Crowds:A Purely Point-Based
Framework [59.578339075658995]
そこで本稿では,共同クラウドカウントと個別ローカライゼーションのための純粋にポイントベースのフレームワークを提案する。
我々は、P2PNet(Point to Point Network)と呼ばれる、このフレームワークの下で直感的なソリューションを設計する。
論文 参考訳(メタデータ) (2021-07-27T11:41:50Z) - CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation [71.81734047345587]
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。
論文 参考訳(メタデータ) (2021-02-13T05:59:52Z) - PC-RGNN: Point Cloud Completion and Graph Neural Network for 3D Object
Detection [57.49788100647103]
LiDARベースの3Dオブジェクト検出は、自動運転にとって重要なタスクです。
現在のアプローチでは、遠方および閉ざされた物体の偏りと部分的な点雲に苦しむ。
本稿では,この課題を2つの解決法で解決する新しい二段階アプローチ,pc-rgnnを提案する。
論文 参考訳(メタデータ) (2020-12-18T18:06:43Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - D-VPnet: A Network for Real-time Dominant Vanishing Point Detection in
Natural Scenes [3.8170259685864165]
バリシングポイント(VP)は、オブジェクトを2D写真から3D空間にマッピングするための有用なヒントを提供する。
自然界における支配的なVPを検出するために,新しい畳み込みニューラルネットワーク(CNN)を提案する。
論文 参考訳(メタデータ) (2020-06-09T17:12:27Z)
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。