論文の概要: CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models
- arxiv url: http://arxiv.org/abs/2501.05269v1
- Date: Thu, 09 Jan 2025 14:26:50 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-10 14:00:01.694217
- Title: CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models
- Title(参考訳): CellViT++: 基礎モデルを用いたエネルギー効率の良い適応型セルセグメンテーションと分類
- Authors: Fabian Hörst, Moritz Rempe, Helmut Becker, Lukas Heine, Julius Keyl, Jens Kleesiek,
- Abstract要約: $textCellViTscriptstyle ++$は、デジタル病理学における一般化された細胞セグメンテーションのためのフレームワークである。
$textCellViTscriptstyle ++$は、ユーザフレンドリで、ビジュアライゼーションとアノテーションのためのWebベースのインターフェースを備えたオープンソースのフレームワークである。
- 参考スコア(独自算出の注目度): 1.7674154313605157
- License:
- Abstract: Digital Pathology is a cornerstone in the diagnosis and treatment of diseases. A key task in this field is the identification and segmentation of cells in hematoxylin and eosin-stained images. Existing methods for cell segmentation often require extensive annotated datasets for training and are limited to a predefined cell classification scheme. To overcome these limitations, we propose $\text{CellViT}^{{\scriptscriptstyle ++}}$, a framework for generalized cell segmentation in digital pathology. $\text{CellViT}^{{\scriptscriptstyle ++}}$ utilizes Vision Transformers with foundation models as encoders to compute deep cell features and segmentation masks simultaneously. To adapt to unseen cell types, we rely on a computationally efficient approach. It requires minimal data for training and leads to a drastically reduced carbon footprint. We demonstrate excellent performance on seven different datasets, covering a broad spectrum of cell types, organs, and clinical settings. The framework achieves remarkable zero-shot segmentation and data-efficient cell-type classification. Furthermore, we show that $\text{CellViT}^{{\scriptscriptstyle ++}}$ can leverage immunofluorescence stainings to generate training datasets without the need for pathologist annotations. The automated dataset generation approach surpasses the performance of networks trained on manually labeled data, demonstrating its effectiveness in creating high-quality training datasets without expert annotations. To advance digital pathology, $\text{CellViT}^{{\scriptscriptstyle ++}}$ is available as an open-source framework featuring a user-friendly, web-based interface for visualization and annotation. The code is available under https://github.com/TIO-IKIM/CellViT-plus-plus.
- Abstract(参考訳): デジタル病理学は疾患の診断と治療の基盤となっている。
この分野での重要な課題は、ヘマトキシリンおよびエオシン染色画像中の細胞の同定とセグメンテーションである。
既存の細胞セグメンテーションの方法は、トレーニングのために広範囲な注釈付きデータセットを必要とすることが多く、事前に定義された細胞分類スキームに限られる。
これらの制限を克服するために、デジタル病理学における一般化セルセグメンテーションのためのフレームワークである$\text{CellViT}^{{\scriptstyle ++}}$を提案する。
$\text{CellViT}^{{\scriptstyle ++}}$は、ディープセル機能とセグメンテーションマスクを同時に計算するために、基礎モデルをエンコーダとしてVision Transformerを使用する。
未確認の細胞タイプに適応するためには、計算効率のよいアプローチに頼る。
トレーニングには最小限のデータが必要で、炭素フットプリントが大幅に削減される。
7つの異なるデータセットで優れた性能を示し, 細胞の種類, 臓器, 臨床設定の幅広い範囲をカバーする。
このフレームワークは、顕著なゼロショットセグメンテーションと、データ効率のよいセルタイプ分類を実現する。
さらに、$\text{CellViT}^{{\scriptscriptstyle ++}}$は、免疫蛍光染色を利用して、病理医のアノテーションを必要とせずにトレーニングデータセットを生成することができることを示す。
自動データセット生成アプローチは、手動でラベル付けされたデータでトレーニングされたネットワークのパフォーマンスを超越し、エキスパートアノテーションなしで高品質なトレーニングデータセットを作成する効果を実証する。
デジタル病理を前進させるために、$\text{CellViT}^{{\scriptscriptstyle ++}}$は、ユーザフレンドリーで、視覚化とアノテーションのためのWebベースのインターフェースを備えたオープンソースフレームワークとして利用可能である。
コードはhttps://github.com/TIO-IKIM/CellViT++で入手できる。
関連論文リスト
- CellPilot [3.2096430458509317]
この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。
本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。
このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
論文 参考訳(メタデータ) (2024-11-23T10:31:10Z) - LangCell: Language-Cell Pre-training for Cell Identity Understanding [3.6518971609937068]
我々は,事前学習期間中に,単一セルデータと自然言語の統一表現であるLangCellを紹介する。
以上の結果から,ゼロショットセル識別理解シナリオにおいて効果的に機能できる単一セルPLMはLangCellのみであることが示唆された。
論文 参考訳(メタデータ) (2024-05-09T10:04:05Z) - Cell Graph Transformer for Nuclei Classification [78.47566396839628]
我々は,ノードとエッジを入力トークンとして扱うセルグラフ変換器(CGT)を開発した。
不愉快な特徴は、騒々しい自己注意スコアと劣等な収束につながる可能性がある。
グラフ畳み込みネットワーク(GCN)を利用して特徴抽出器を学習する新しいトポロジ対応事前学習法を提案する。
論文 参考訳(メタデータ) (2024-02-20T12:01:30Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
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。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳(メタデータ) (2023-10-22T06:16:16Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳(メタデータ) (2023-03-23T08:57:11Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - NuClick: A Deep Learning Framework for Interactive Segmentation of
Microscopy Images [1.3888122061254422]
我々は,核,細胞,腺のアノテーション収集を高速化するための単純なCNNベースのアプローチを提案する。
腺などの多細胞構造に対して,NuClickを誘導信号としてスイグルで提供する新しい手法を提案する。
NuClickはオブジェクトスケールに適応し、ユーザ入力の変動に対して堅牢で、新しいドメインに適応し、信頼できるアノテーションを提供する。
論文 参考訳(メタデータ) (2020-05-29T11:51:27Z)
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。