論文の概要: Mind the Gap: Evaluating Patch Embeddings from General-Purpose and Histopathology Foundation Models for Cell Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2502.02471v1
• Date: Tue, 04 Feb 2025 16:47:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-05 15:05:18.875662
• Title: Mind the Gap: Evaluating Patch Embeddings from General-Purpose and Histopathology Foundation Models for Cell Segmentation and Classification
• Title（参考訳）: マインド・ザ・ギャップ(Mind the Gap) : 細胞分離・分類のための一般目的・病理基盤モデルからのパッチ埋め込みの評価
• Authors: Valentina Vadori, Antonella Peruffo, Jean-Marie Graïc, Livio Finos, Enrico Grisan,
• Abstract要約: 一貫性のあるデコーダと各種エンコーダを備えたエンコーダデコーダアーキテクチャを実装した。 インスタンスレベルの検出,セグメンテーションの精度,および細胞型分類を評価した。 本研究は、一般目的と病理組織学の基礎モデルの比較強度と限界に関する知見を提供する。
• 参考スコア（独自算出の注目度）: 0.20971479389679332
• License:
• Abstract: Recent advancements in foundation models have transformed computer vision, driving significant performance improvements across diverse domains, including digital histopathology. However, the advantages of domain-specific histopathology foundation models over general-purpose models for specialized tasks such as cell analysis remain underexplored. This study investigates the representation learning gap between these two categories by analyzing multi-level patch embeddings applied to cell instance segmentation and classification. We implement an encoder-decoder architecture with a consistent decoder and various encoders. These include convolutional, vision transformer (ViT), and hybrid encoders pre-trained on ImageNet-22K or LVD-142M, representing general-purpose foundation models. These are compared against ViT encoders from the recently released UNI, Virchow2, and Prov-GigaPath foundation models, trained on patches extracted from hundreds of thousands of histopathology whole-slide images. The decoder integrates patch embeddings from different encoder depths via skip connections to generate semantic and distance maps. These maps are then post-processed to create instance segmentation masks where each label corresponds to an individual cell and to perform cell-type classification. All encoders remain frozen during training to assess their pre-trained feature extraction capabilities. Using the PanNuke and CoNIC histopathology datasets, and the newly introduced Nissl-stained CytoDArk0 dataset for brain cytoarchitecture studies, we evaluate instance-level detection, segmentation accuracy, and cell-type classification. This study provides insights into the comparative strengths and limitations of general-purpose vs. histopathology foundation models, offering guidance for model selection in cell-focused histopathology and brain cytoarchitecture analysis workflows.
• Abstract（参考訳）: 基礎モデルの最近の進歩はコンピュータビジョンに変化をもたらし、デジタル病理学を含む様々な領域で大きなパフォーマンス向上をもたらした。 しかし、細胞解析のような特殊なタスクに対する汎用モデルよりも、ドメイン固有の病理基盤モデルの利点はいまだに未解明のままである。 本研究では,これら2つのカテゴリ間の表現学習ギャップについて,セルインスタンスのセグメンテーションと分類に適用したマルチレベルパッチ埋め込みを解析して検討する。 一貫性のあるデコーダと各種エンコーダを備えたエンコーダデコーダアーキテクチャを実装した。 これには畳み込み、視覚変換器(ViT)、ImageNet-22KまたはLVD-142Mで事前訓練されたハイブリッドエンコーダが含まれ、汎用基盤モデルを表している。 これらは、最近リリースされたUNI、Virchow2、Prov-GigaPathファウンデーションモデルのViTエンコーダと比較される。 デコーダは、スキップ接続を介して異なるエンコーダ深さからのパッチ埋め込みを統合し、セマンティックマップと距離マップを生成する。 これらのマップは後処理され、各ラベルが個々のセルに対応し、セルタイプの分類を行うインスタンスセグメンテーションマスクを作成する。 すべてのエンコーダはトレーニング中に凍結し、事前訓練された特徴抽出能力を評価する。 The PanNuke and CoNIC histopathology datasets and the new introduced Nissl-stained CytoDArk0 dataset for brain cytoarchitecture study, we evaluate instance-level detection, segmentation accuracy, and cell-type classification。 本研究は、細胞中心の病理組織学と脳細胞構造解析のワークフローにおけるモデル選択のためのガイダンスを提供する。

関連論文リスト

• CISCA and CytoDArk0: a Cell Instance Segmentation and Classification method for histo(patho)logical image Analyses and a new, open, Nissl-stained dataset for brain cytoarchitecture studies [0.19791587637442667]
  組織学的スライスにおけるセルインスタンスの自動セグメンテーションと分類のための新しいディープラーニングフレームワーク(CISCA)を提案する。 CISCAのコアには、デコーダに3つの頭を持つ軽量なU-Netを備えたネットワークアーキテクチャがある。 CoNIC, PanNuke, MoNuSegの4つのデータセットを用いて, 提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-09-06T10:34:06Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• 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)
• Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
  大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。 自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-11-26T10:33:36Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• NCIS: Deep Color Gradient Maps Regression and Three-Class Pixel Classification for Enhanced Neuronal Cell Instance Segmentation in Nissl-Stained Histological Images [0.5273938705774914]
  本稿では,Nissl-stained histological image of the brainにおいて,単一神経細胞を自動分離するエンド・ツー・エンドの枠組みを提案する。 エンコーダとしてEfficientNetと2つのデコードブランチを備えたU-Netライクなアーキテクチャを用いて、4つの勾配カラーマップを復元し、ピクセルをタッチセル、細胞体、背景の間の輪郭に分類する。 この方法は大脳皮質と小脳の画像でテストされ、最近の深層学習による細胞のインスタンス分割のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2023-06-27T20:22:04Z)
• 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)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。