論文の概要: FrGNet: A fourier-guided weakly-supervised framework for nuclear instance segmentation

• arxiv url: http://arxiv.org/abs/2502.09874v2
• Date: Tue, 18 Feb 2025 05:10:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-19 14:08:20.461981
• Title: FrGNet: A fourier-guided weakly-supervised framework for nuclear instance segmentation
• Title（参考訳）: FrGNet: 核インスタンスセグメンテーションのための4層誘導弱教師付きフレームワーク
• Authors: Peng Ling, Wenxiao Xiong,
• Abstract要約: 核インスタンスセグメンテーションは病理画像解析において重要な役割を担っている。 主な課題は、インスタンスを正確にセグメンテーションすることの難しさと、正確なマスクレベルのアノテーションのコストの高さから生じる。 本研究では,弱制御型核インスタンス分割問題を解くための4つのガイダンスフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Nuclear instance segmentation has played a critical role in pathology image analysis. The main challenges arise from the difficulty in accurately segmenting instances and the high cost of precise mask-level annotations for fully-supervised training.In this work, we propose a fourier guidance framework for solving the weakly-supervised nuclear instance segmentation problem. In this framework, we construct a fourier guidance module to fuse the priori information into the training process of the model, which facilitates the model to capture the relevant features of the nuclear. Meanwhile, in order to further improve the model's ability to represent the features of nuclear, we propose the guide-based instance level contrastive module. This module makes full use of the framework's own properties and guide information to effectively enhance the representation features of nuclear. We show on two public datasets that our model can outperform current SOTA methods under fully-supervised design, and in weakly-supervised experiments, with only a small amount of labeling our model still maintains close to the performance under full supervision.In addition, we also perform generalization experiments on a private dataset, and without any labeling, our model is able to segment nuclear images that have not been seen during training quite effectively. As open science, all codes and pre-trained models are available at https://github.com/LQY404/FrGNet.
• Abstract（参考訳）: 核インスタンスセグメンテーションは病理画像解析において重要な役割を担っている。 本研究は, 完全教師付きトレーニングにおける厳密なマスクレベルのアノテーションの厳密なセグメンテーションの難しさと高コスト化に起因し, 弱教師付き核インスタンスセグメンテーション問題を解決するための4つのガイダンスフレームワークを提案する。 本フレームワークでは,プリオリ情報をモデルのトレーニングプロセスに融合させるための4層誘導モジュールを構築し,そのモデルが核の関連する特徴を捉えるのを容易にする。 一方、核の特徴を表現できるモデルの性能をさらに向上するために、ガイドベースのインスタンスレベルのコントラッシブモジュールを提案する。 このモジュールはフレームワークのプロパティをフル活用し、核の表現機能を効果的に強化するためのガイド情報を提供する。 2つの公開データセットにおいて、我々のモデルは、完全な教師付き設計の下で現在のSOTA法より優れており、弱い教師付き実験では、少量のラベル付けしか、完全な監督下では性能に近づき、また、プライベートデータセット上で一般化実験も行なっており、ラベル付けなしでは、トレーニング中に見ていない核画像の分割を極めて効果的に行うことができる。 オープンサイエンスとして、すべてのコードと事前訓練されたモデルはhttps://github.com/LQY404/FrGNetで入手できる。

関連論文リスト

• Complementary Learning for Real-World Model Failure Detection [15.779651238128562]
  そこでは、異なる訓練パラダイムから学習特性を用いてモデルエラーを検出する。 我々は,制御的かつ自己管理的な方法で,点群における意味的および予測的動作ラベルを学習することにより,我々のアプローチを実証する。 大規模定性解析を行い、ライダー点雲にラベル付き異常を持つ最初のデータセットであるLidarCODAを提示する。
  論文  参考訳（メタデータ） (2024-07-19T13:36:35Z)
• On generalisability of segment anything model for nuclear instance segmentation in histology images [0.0]
  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。
  論文  参考訳（メタデータ） (2024-01-25T15:39:37Z)
• Fantastic Gains and Where to Find Them: On the Existence and Prospect of General Knowledge Transfer between Any Pretrained Model [74.62272538148245]
  事前訓練されたモデルの任意のペアリングに対して、一方のモデルは他方では利用できない重要なデータコンテキストを抽出する。 このような「補的」な知識を,性能劣化を伴わずに,あるモデルから別のモデルへ伝達できるかどうかを検討する。
  論文  参考訳（メタデータ） (2023-10-26T17:59:46Z)
• Semi-supervised learning made simple with self-supervised clustering [65.98152950607707]
  自己教師付き学習モデルは、人間のアノテーションを必要とせずにリッチな視覚表現を学習することが示されている。 本稿では,クラスタリングに基づく自己教師付き手法を半教師付き学習者へと変換する,概念的に単純だが経験的に強力な手法を提案する。
  論文  参考訳（メタデータ） (2023-06-13T01:09:18Z)
• Prototype-guided Cross-task Knowledge Distillation for Large-scale Models [103.04711721343278]
  クロスタスクの知識蒸留は、競争力のあるパフォーマンスを得るために小さな学生モデルを訓練するのに役立ちます。 本稿では,大規模教師ネットワークの内在的ローカルレベルのオブジェクト知識を様々なタスクシナリオに転送するための,プロトタイプ誘導型クロスタスク知識蒸留(ProC-KD)アプローチを提案する。
  論文  参考訳（メタデータ） (2022-12-26T15:00:42Z)
• Scale dependant layer for self-supervised nuclei encoding [29.894737161956073]
  核サイズ変更時のスケーリング問題を回避するために,新しいスケール依存畳み込み層を提案する。 提案した畳み込み層は性能を向上し,この層とBarlows-Twinsの組み合わせにより,より優れた核符号化が可能となることを示す。
  論文  参考訳（メタデータ） (2022-07-22T08:56:57Z)
• Learning by Distillation: A Self-Supervised Learning Framework for Optical Flow Estimation [71.76008290101214]
  DistillFlowは光の流れを学ぶための知識蒸留手法である。 KITTIとSintelの両方のデータセット上で、最先端の教師なし学習性能を実現する。 我々のモデルは、KITTI 2015ベンチマークにおけるすべての単分子的手法の中で、第1位にランクされ、Sintel Finalベンチマークで発表されたすべてのメソッドよりも優れています。
  論文  参考訳（メタデータ） (2021-06-08T09:13:34Z)
• 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。

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。