Fugu-MT 論文翻訳(概要): On generalisability of segment anything model for nuclear instance segmentation in histology images

論文の概要: On generalisability of segment anything model for nuclear instance segmentation in histology images

arxiv url: http://arxiv.org/abs/2401.14248v1
Date: Thu, 25 Jan 2024 15:39:37 GMT
ステータス: 処理完了
システム内更新日: 2024-01-26 14:05:41.389613
Title: On generalisability of segment anything model for nuclear instance segmentation in histology images
Title（参考訳）: 組織像における核インスタンス分割のためのセグメントオールモデルの一般化可能性について
Authors: Kesi Xu, Lea Goetz, Nasir Rajpoot
Abstract要約: ゼロショット学習と微調整を併用した核インスタンス分割作業におけるセグメンテーションモデル (SAM) の評価を行った。自動核インスタンスセグメンテーションを実現するため,SAM の視覚的プロンプトとして,境界ボックスや nu-clei の中心点を提供するための核検出モデルを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Pre-trained on a large and diverse dataset, the segment anything model (SAM) is the first promptable foundation model in computer vision aiming at object segmentation tasks. In this work, we evaluate SAM for the task of nuclear instance segmentation performance with zero-shot learning and finetuning. We compare SAM with other representative methods in nuclear instance segmentation, especially in the context of model generalisability. To achieve automatic nuclear instance segmentation, we propose using a nuclei detection model to provide bounding boxes or central points of nu-clei as visual prompts for SAM in generating nuclear instance masks from histology images.
Abstract（参考訳）: 大規模で多様なデータセットで事前トレーニングされたsegment anything model(sam)は、オブジェクトのセグメンテーションタスクを目的とした、コンピュータビジョンにおける最初のプロンプト可能な基盤モデルである。本研究では,ゼロショット学習と微調整による核インスタンスセグメンテーション性能のタスクにおいて,samを評価する。我々はSAMを、特にモデル一般化可能性の文脈において、核インスタンス分割における他の代表的手法と比較する。核インスタンスの自動セグメンテーションを実現するために,核画像から核インスタンスマスクを生成する場合のSAMの視覚的プロンプトとして,核検出モデルを用いて境界ボックスやヌクレの中心点を提供する。

関連論文リスト

Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
論文参考訳（メタデータ） (2024-09-23T19:05:50Z)
Segment-Anything Models Achieve Zero-shot Robustness in Autonomous Driving [4.609947459514934]
ここ数年、ディープラーニングは、畳み込みニューラルネットワーク(CNN)モデルから、膨大なパラメータを持つ基礎モデルへと徐々に移行してきた。 SAM( segment-anything model)は、様々な種類の画像を扱うことができ、特定のオブジェクトをトレーニングすることなく、画像内の任意のオブジェクトを認識し、セグメント化することができる。実験結果から,ブラックボックスの破損やホワイトボックスの攻撃によるSAMのゼロショット対逆ロバスト性は,追加訓練を必要とせずとも許容できることがわかった。
論文参考訳（メタデータ） (2024-08-19T09:35:51Z)
Unleashing the Power of Prompt-driven Nucleus Instance Segmentation [12.827503504028629]
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。
論文参考訳（メタデータ） (2023-11-27T15:46:47Z)
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)
Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文参考訳（メタデータ） (2022-10-19T15:15:32Z)
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2022-07-04T07:05:06Z)
Simultaneous Semantic and Instance Segmentation for Colon Nuclei Identification and Counting [3.582485486382699]
我々は,同時セマンティクスとインスタンスセグメンテーションのフレームワークとして構成されたソリューションを提案する。私たちのソリューションは、Colon Nuclei Identification and Counting (CoNIC) Challengeの一部です。
論文参考訳（メタデータ） (2022-03-01T00:25:06Z)
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)
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。