論文の概要: Unleashing the Power of Prompt-driven Nucleus Instance Segmentation

• arxiv url: http://arxiv.org/abs/2311.15939v3
• Date: Tue, 23 Jan 2024 08:54:59 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-24 18:40:16.129282
• Title: Unleashing the Power of Prompt-driven Nucleus Instance Segmentation
• Title（参考訳）: Prompt-driven Nucleus Instance Segmentation のパワーを解放する
• Authors: Zhongyi Shui and Yunlong Zhang and Kai Yao and Chenglu Zhu and Sunyi Zheng and Jingxiong Li and Honglin Li and Yuxuan Sun and Ruizhe Guo and Lin Yang
• Abstract要約: Segment Anything Model (SAM) は医療画像のセグメンテーションにおいて大きな注目を集めている。 本稿では, 自動核インスタンスセグメンテーションのための新規なプロンプト駆動型フレームワークについて述べる。 提案手法は,3つの試行錯誤ベンチマークに対して,最先端性能を新たに設定する。
• 参考スコア（独自算出の注目度）: 12.827503504028629
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Nucleus instance segmentation in histology images is crucial for a broad spectrum of clinical applications. Current dominant algorithms rely on regression of nuclear proxy maps. Distinguishing nucleus instances from the estimated maps requires carefully curated post-processing, which is error-prone and parameter-sensitive. Recently, the Segment Anything Model (SAM) has earned huge attention in medical image segmentation, owing to its impressive generalization ability and promptable property. Nevertheless, its potential on nucleus instance segmentation remains largely underexplored. In this paper, we present a novel prompt-driven framework that consists of a nucleus prompter and SAM for automatic nucleus instance segmentation. Specifically, the prompter learns to generate a unique point prompt for each nucleus while the SAM is fine-tuned to output the corresponding mask for the prompted nucleus. Furthermore, we propose the inclusion of adjacent nuclei as negative prompts to enhance the model's capability to identify overlapping nuclei. Without complicated post-processing, our proposed method sets a new state-of-the-art performance on three challenging benchmarks. Code is available at \url{github.com/windygoo/PromptNucSeg}
• Abstract（参考訳）: 組織像における核インスタンスのセグメンテーションは、幅広い臨床応用に不可欠である。 現在の支配的アルゴリズムは核プロキシマップの回帰に依存する。 推定されたマップから核インスタンスを区別するには、エラーが発生しやすくパラメータに敏感な、注意深くキュレートされた後処理が必要である。 近年,Segment Anything Model (SAM) は医用画像のセグメンテーションに大きな注目を集めている。 それでも、核のインスタンスセグメンテーションに対するそのポテンシャルは、ほとんど未発見のままである。 本稿では, 自動核インスタンス分割のための核プロンプトとSAMから構成される新しいプロンプト駆動型フレームワークを提案する。 具体的には、SAMが微調整され、刺激された核の対応するマスクを出力している間、プロンプトは各核に対してユニークな点プロンプトを生成することを学習する。 さらに、重なり合う核を同定するモデルの能力を高めるために、隣接核を負のプロンプトとして含むことを提案する。 複雑な後処理がなければ,提案手法は3つの挑戦的ベンチマークに対して新しい最先端性能を設定できる。 コードは \url{github.com/windygoo/PromptNucSeg} で入手できる。

関連論文リスト

• NuSegDG: Integration of Heterogeneous Space and Gaussian Kernel for Domain-Generalized Nuclei Segmentation [9.332333405703732]
  我々はNuSegDGと略して、核画像分割のためのドメイン一般化可能なフレームワークを提案する。 HS-AdapterはSAMの画像エンコーダに少数のトレーニング可能なパラメータを注入することで、異なる核ドメインの多次元特徴表現を学習する。 GKP-エンコーダは1つの点によって駆動される密度マップを生成し、位置プロンプトと意味プロンプトを混合することによってセグメント化予測を導く。
  論文  参考訳（メタデータ） (2024-08-21T17:19:23Z)
• UN-SAM: Universal Prompt-Free Segmentation for Generalized Nuclei Images [47.59627416801523]
  デジタル病理学において、正確な核分割は、組織の種類、染色プロトコル、イメージング条件の多様性によって、重要な課題である。 我々はUniversal prompt-free SAM framework for Nuclei segmentation (UN-SAM)を提案する。 例外的な性能を持つUN-SAMは、核インスタンスやセマンティックセグメンテーションの最先端、特にゼロショットシナリオにおける一般化能力を上回っている。
  論文  参考訳（メタデータ） (2024-02-26T15:35:18Z)
• Segment Any Cell: A SAM-based Auto-prompting Fine-tuning Framework for Nuclei Segmentation [39.81051783009144]
  Segment Any Cell (SAC) は、SAMを核セグメンテーションのために強化する革新的なフレームワークである。 SACはトランスフォーマーの注意層にローランド適応(LoRA)を統合し、微調整プロセスを改善する。 コントリビューションには、新しいプロンプト生成戦略、多様なセグメンテーションタスクの自動適応性、セグメンテーション課題のための汎用フレームワークなどが含まれます。
  論文  参考訳（メタデータ） (2024-01-24T04:23:17Z)
• Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
  核の検出と分類は、疾患の診断に有効な情報を生み出す。 既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。 グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:50:48Z)
• Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
  核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。 本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。 ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:03:20Z)
• 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)
• 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)
• Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
  本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。 提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。 公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく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） (2020-07-22T03:37:14Z)
• Self-Supervised Nuclei Segmentation in Histopathological Images Using Attention [6.3039500405009665]
  スライド病理組織像全体に対する自己監督的核分割法を提案する。 本手法は, 原子核の大きさとテクスチャが, パッチを抽出した倍率を決定できるという仮定に基づいている。 実験の結果,通常の後処理では,他の非教師なし核分割法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-16T14:49:20Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。