論文の概要: CausalCellSegmenter: Causal Inference inspired Diversified Aggregation
Convolution for Pathology Image Segmentation
- arxiv url: http://arxiv.org/abs/2403.06066v1
- Date: Sun, 10 Mar 2024 03:04:13 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-13 08:49:46.358057
- Title: CausalCellSegmenter: Causal Inference inspired Diversified Aggregation
Convolution for Pathology Image Segmentation
- Title（参考訳）: 因果セルセグメンタ:病的画像分割のための多角化凝集畳み込みに触発された因果推論
- Authors: Dawei Fan, Yifan Gao, Jiaming Yu, Yanping Chen, Wencheng Li, Chuancong
Lin, Kaibin Li, Changcai Yang, Riqing Chen, Lifang Wei
- Abstract要約: 深層学習モデルは、病理画像解析の分野で、細胞核セグメンテーションに有望な性能を示した。
本稿では,Causal Inference Module (CIM) とDiversified Aggregation Convolution (DAC) を組み合わせた新しいフレームワークCausalCellSegmenterを提案する。
- 参考スコア（独自算出の注目度）: 9.021612471640635
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning models have shown promising performance for cell nucleus
segmentation in the field of pathology image analysis. However, training a
robust model from multiple domains remains a great challenge for cell nucleus
segmentation. Additionally, the shortcomings of background noise, highly
overlapping between cell nucleus, and blurred edges often lead to poor
performance. To address these challenges, we propose a novel framework termed
CausalCellSegmenter, which combines Causal Inference Module (CIM) with
Diversified Aggregation Convolution (DAC) techniques. The DAC module is
designed which incorporates diverse downsampling features through a simple,
parameter-free attention module (SimAM), aiming to overcome the problems of
false-positive identification and edge blurring. Furthermore, we introduce CIM
to leverage sample weighting by directly removing the spurious correlations
between features for every input sample and concentrating more on the
correlation between features and labels. Extensive experiments on the
MoNuSeg-2018 dataset achieves promising results, outperforming other
state-of-the-art methods, where the mIoU and DSC scores growing by 3.6% and
2.65%.
- Abstract（参考訳）: 深層学習モデルは病理画像解析の分野で細胞核の分節化に有望な性能を示している。
しかし、複数の領域から堅牢なモデルをトレーニングすることは、細胞核のセグメンテーションにとって大きな課題である。
さらに、バックグラウンドノイズの欠点、細胞核間の高い重なり合い、ぼやけたエッジは、しばしば性能を低下させる。
これらの課題に対処するために,causalcellsegmenterと呼ばれる新しいフレームワークを提案し,causal inference module(cim)とdac(diversified aggregation convolution)技術を組み合わせる。
DACモジュールは、単純なパラメータフリーアテンションモジュール(SimAM)を通じて多様なダウンサンプリング機能を組み込んで設計されており、偽陽性の識別とエッジのぼかしの問題を克服することを目的としている。
さらに, サンプル重み付けにCIMを導入し, 入力サンプル毎に特徴とラベルの相関関係を直接取り除き, 特徴とラベルの相関関係を集中させる。
MoNuSeg-2018データセットの大規模な実験は有望な結果をもたらし、mIoUとDSCのスコアが3.6%と2.65%上昇する他の最先端手法よりも優れている。
関連論文リスト
- DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。
フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
論文 参考訳（メタデータ） (2024-06-05T06:18:03Z) - DiffSeg: A Segmentation Model for Skin Lesions Based on Diffusion Difference [2.9082809324784082]
拡散差に基づく皮膚病変のセグメンテーションモデルDiffSegを紹介する。
マルチアウトプット能力は医師のアノテーションの振る舞いを模倣し、セグメンテーション結果の一貫性とあいまいさの可視化を容易にする。
我々は,ISIC 2018 ChallengeデータセットにおけるDiffSegの有効性を示す。
論文 参考訳（メタデータ） (2024-04-25T09:57:52Z) - Benchmarking the Cell Image Segmentation Models Robustness under the Microscope Optical Aberrations [15.920475243253765]
本研究は, シミュレーション収差条件下でのセルインスタンスセグメンテーションモデルの性能を包括的に評価する。
ネットワークヘッドが異なるMask R-CNNのような様々なセグメンテーションモデルが訓練され、異常条件下でテストされた。
以上の結果より,FPNとSwinSの併用は,小収差による単純細胞像の処理において優れた堅牢性を示すことが示唆された。
論文 参考訳（メタデータ） (2024-04-12T15:45:26Z) - Boundary-aware Contrastive Learning for Semi-supervised Nuclei Instance
Segmentation [16.902154398259537]
半教師付き核セグメンテーションタスクにおける境界雑音を識別する境界対応コントラスト学習ネットワークを提案する。
このモデルには、低分解能デノイング(LRD)モジュールとクロスロIコントラスト学習(CRC)モジュールの2つの重要な設計がある。
提案手法が既存の半教師付きインスタンスセグメンテーション法よりも優れていることを示すため,広範な実験を行った。
論文 参考訳（メタデータ） (2024-02-07T11:16:34Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for
Semi-supervised Polyp Segmentation [52.06525450636897]
大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。
既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。
大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - CGAM: Click-Guided Attention Module for Interactive Pathology Image
Segmentation via Backpropagating Refinement [8.590026259176806]
腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。
最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。
本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
論文 参考訳（メタデータ） (2023-07-03T13:45:24Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Generative Partial Visual-Tactile Fused Object Clustering [81.17645983141773]
オブジェクトクラスタリングのためのGenerative Partial Visual-Tactile Fused(GPVTF)フレームワークを提案する。
条件付きクロスモーダルクラスタリング生成逆ネットワークを開発し、一方のモダリティ条件を他方のモダリティ上で合成する。
最後に、擬似ラベルに基づく2つのKL分割損失を用いて、対応するモダリティ固有エンコーダを更新する。
論文 参考訳（メタデータ） (2020-12-28T02:37:03Z) - Accurate Cell Segmentation in Digital Pathology Images via Attention
Enforced Networks [0.0]
本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。
実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
論文 参考訳（メタデータ） (2020-12-14T03:39:33Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳（メタデータ） (2020-06-11T17:29:53Z)
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。