論文の概要: UniCell: Universal Cell Nucleus Classification via Prompt Learning

• arxiv url: http://arxiv.org/abs/2402.12938v1
• Date: Tue, 20 Feb 2024 11:50:27 GMT
• ステータス: 処理完了
• システム内更新日: 2024-02-21 15:30:02.882906
• Title: UniCell: Universal Cell Nucleus Classification via Prompt Learning
• Title（参考訳）: UniCell: Prompt Learningによるユニバーサル細胞核分類
• Authors: Junjia Huang, Haofeng Li, Xiang Wan, Guanbin Li
• Abstract要約: ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
• 参考スコア（独自算出の注目度）: 76.11864242047074
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The recognition of multi-class cell nuclei can significantly facilitate the process of histopathological diagnosis. Numerous pathological datasets are currently available, but their annotations are inconsistent. Most existing methods require individual training on each dataset to deduce the relevant labels and lack the use of common knowledge across datasets, consequently restricting the quality of recognition. In this paper, we propose a universal cell nucleus classification framework (UniCell), which employs a novel prompt learning mechanism to uniformly predict the corresponding categories of pathological images from different dataset domains. In particular, our framework adopts an end-to-end architecture for nuclei detection and classification, and utilizes flexible prediction heads for adapting various datasets. Moreover, we develop a Dynamic Prompt Module (DPM) that exploits the properties of multiple datasets to enhance features. The DPM first integrates the embeddings of datasets and semantic categories, and then employs the integrated prompts to refine image representations, efficiently harvesting the shared knowledge among the related cell types and data sources. Experimental results demonstrate that the proposed method effectively achieves the state-of-the-art results on four nucleus detection and classification benchmarks. Code and models are available at https://github.com/lhaof/UniCell
• Abstract（参考訳）: 多クラス細胞核の認識は病理組織学的診断の過程を著しく促進する。 現在、多くの病理データセットが利用可能であるが、アノテーションは一貫性がない。 既存のほとんどの方法は、関連するラベルを推論するためにデータセットの個別のトレーニングを必要とし、データセット間の共通知識の使用を欠いているため、認識の質が制限される。 本稿では,異なるデータセット領域から対応する病理画像のカテゴリを均一に予測するために,新しいプロンプト学習機構を用いたユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 特に,本フレームワークでは,核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。 さらに,複数のデータセットの特性を利用して機能強化を行う動的プロンプトモジュール (DPM) を開発した。 DPMはまずデータセットとセマンティックカテゴリの埋め込みを統合し、画像表現を洗練するために統合されたプロンプトを使用し、関連するセルタイプとデータソース間の共有知識を効率的に収集する。 実験により,提案手法は4つの核検出および分類ベンチマークにおいて,最先端の結果を効果的に達成することを示した。 コードとモデルはhttps://github.com/lhaof/UniCellで入手できる。

関連論文リスト

• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• 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)
• Combining Datasets with Different Label Sets for Improved Nucleus Segmentation and Classification [2.5016806673359393]
  本稿では,クラスが関連しているが同一ではない複数のデータセット上でディープニューラルネットワーク(DNN)を訓練する手法を提案する。 具体的には,データセットにラベル付けおよび注釈付けされたクラスの集合が階層の任意のレベルにあるような,粗いクラス階層を利用するように設計されている。 その結果、データセットのテスト分割で使用されるクラスセットのセグメンテーションと分類のメトリクスが、他のデータセットで事前トレーニングすることで改善できることが示されている。
  論文  参考訳（メタデータ） (2023-10-05T06:56:54Z)
• Point-supervised Single-cell Segmentation via Collaborative Knowledge Sharing [0.0]
  本稿では,シングルセルセグメンテーションモデルの弱教師付きトレーニング設定について述べる。 さらに興味深いのは、コラボレーティブ・ナレッジ・シェアリング(英語版)と呼ばれる自己学習手法である。 この戦略は、主モデルと非常に軽量な協調モデルの間で知識を共有することで自己学習を実現する。
  論文  参考訳（メタデータ） (2023-04-20T23:22:41Z)
• Dynamic Conceptional Contrastive Learning for Generalized Category Discovery [76.82327473338734]
  Generalized category discovery (GCD) は、部分的にラベル付けされたデータを自動でクラスタリングすることを目的としている。 ラベル付きデータには、ラベル付きデータの既知のカテゴリだけでなく、新しいカテゴリのインスタンスも含まれている。 GCDの効果的な方法の1つは、ラベルなしデータの識別表現を学習するために自己教師付き学習を適用することである。 本稿では,クラスタリングの精度を効果的に向上する動的概念コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T14:04:39Z)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)
• 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)
• 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)
• A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
  国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。 これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。 提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
  論文  参考訳（メタデータ） (2021-02-26T17:49:58Z)

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。