論文の概要: BoNuS: Boundary Mining for Nuclei Segmentation with Partial Point Labels

• arxiv url: http://arxiv.org/abs/2401.07437v1
• Date: Mon, 15 Jan 2024 02:50:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-17 18:23:14.126297
• Title: BoNuS: Boundary Mining for Nuclei Segmentation with Partial Point Labels
• Title（参考訳）: BoNuS:部分点ラベルによる核分割境界マイニング
• Authors: Yi Lin, Zeyu Wang, Dong Zhang, Kwang-Ting Cheng, Hao Chen
• Abstract要約: 本稿では,核の部分点ラベルのみを必要とする弱制御型核分割法を提案する。 具体的には,核内部情報と境界情報とを同時に学習するBoNuSという,核セグメンテーションのための新しい境界地雷フレームワークを提案する。 形態学的な知識で欠落した核を検出するためのカリキュラム学習を備えた核検出モジュールについて検討する。
• 参考スコア（独自算出の注目度）: 34.57288003249214
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nuclei segmentation is a fundamental prerequisite in the digital pathology workflow. The development of automated methods for nuclei segmentation enables quantitative analysis of the wide existence and large variances in nuclei morphometry in histopathology images. However, manual annotation of tens of thousands of nuclei is tedious and time-consuming, which requires significant amount of human effort and domain-specific expertise. To alleviate this problem, in this paper, we propose a weakly-supervised nuclei segmentation method that only requires partial point labels of nuclei. Specifically, we propose a novel boundary mining framework for nuclei segmentation, named BoNuS, which simultaneously learns nuclei interior and boundary information from the point labels. To achieve this goal, we propose a novel boundary mining loss, which guides the model to learn the boundary information by exploring the pairwise pixel affinity in a multiple-instance learning manner. Then, we consider a more challenging problem, i.e., partial point label, where we propose a nuclei detection module with curriculum learning to detect the missing nuclei with prior morphological knowledge. The proposed method is validated on three public datasets, MoNuSeg, CPM, and CoNIC datasets. Experimental results demonstrate the superior performance of our method to the state-of-the-art weakly-supervised nuclei segmentation methods. Code: https://github.com/hust-linyi/bonus.
• Abstract（参考訳）: Nucleiセグメンテーションは、デジタル病理ワークフローにおける基本的な前提条件である。 核セグメンテーションの自動化法の開発は、病理組織像における核形態計測の広範な存在と大きなばらつきの定量的解析を可能にする。 しかし、数万の核の手動アノテーションは退屈で時間がかかり、かなりの量の人間の努力とドメイン固有の専門知識を必要とする。 この問題を軽減するために,本論文では,核の部分点ラベルのみを必要とする弱制御型核分割法を提案する。 具体的には,核内部情報と境界情報とを同時に学習するBoNuSという,核セグメンテーションのための新しい境界地雷フレームワークを提案する。 この目的を達成するために,複数入力学習方式でペアワイズ画素親和性を探索し,境界情報の学習を誘導する新しい境界マイニング損失を提案する。 次に,より困難な問題,すなわち部分点ラベルを考える。そこでは,事前形態学的知識を持つ欠落核を検出するためのカリキュラム学習を伴う核検出モジュールを提案する。 提案手法は,MoNuSeg,CPM,CoNICの3つの公開データセットで検証される。 実験結果は,最先端の弱教師付き核分節法に優れた性能を示す。 コード: https://github.com/hust-linyi/bonus。

関連論文リスト

• 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)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• 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)
• CoNIC: Colon Nuclei Identification and Counting Challenge 2022 [5.23834975053771]
  大腸核の同定とカウント(CoNIC)の課題を整理する。 研究者は、核のセグメンテーション、分類、カウントを行うアルゴリズムを開発することを奨励する。 この課題の一環として、各入力アルゴリズムの感度を特定の入力変動に対してテストする。
  論文  参考訳（メタデータ） (2021-11-29T12:06:47Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• 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)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。