論文の概要: Category Prompt Mamba Network for Nuclei Segmentation and Classification
- arxiv url: http://arxiv.org/abs/2503.10422v2
- Date: Fri, 14 Mar 2025 13:56:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-17 13:07:47.293443
- Title: Category Prompt Mamba Network for Nuclei Segmentation and Classification
- Title（参考訳）: Nucleiセグメンテーションと分類のためのカテゴリープロンプトマンバネットワーク
- Authors: Ye Zhang, Zijie Fang, Yifeng Wang, Lingbo Zhang, Xianchao Guan, Yongbing Zhang,
- Abstract要約: 以前の核分割と分類モデルでは、トレーニングのために大きな画像を小さなパッチに分割する必要がある。
Mambaは、線形時間複雑性とメモリ消費の低い大規模イメージをモデル化する能力に注目を集めている。
本稿では,各カテゴリの特徴を上位から下位への信頼度に応じて独立にランク付け・走査する,カテゴリ確率ソートに基づく新しいスキャン戦略を提案する。
- 参考スコア（独自算出の注目度）: 15.299525548112626
- License:
- Abstract: Nuclei segmentation and classification provide an essential basis for tumor immune microenvironment analysis. The previous nuclei segmentation and classification models require splitting large images into smaller patches for training, leading to two significant issues. First, nuclei at the borders of adjacent patches often misalign during inference. Second, this patch-based approach significantly increases the model's training and inference time. Recently, Mamba has garnered attention for its ability to model large-scale images with linear time complexity and low memory consumption. It offers a promising solution for training nuclei segmentation and classification models on full-sized images. However, the Mamba orientation-based scanning method lacks account for category-specific features, resulting in sub-optimal performance in scenarios with imbalanced class distributions. To address these challenges, this paper introduces a novel scanning strategy based on category probability sorting, which independently ranks and scans features for each category according to confidence from high to low. This approach enhances the feature representation of uncertain samples and mitigates the issues caused by imbalanced distributions. Extensive experiments conducted on four public datasets demonstrate that our method outperforms state-of-the-art approaches, delivering superior performance in nuclei segmentation and classification tasks.
- Abstract（参考訳）: 核のセグメンテーションと分類は、腫瘍免疫ミクロ環境分析に必須の基盤となる。
以前の核分割と分類モデルでは、トレーニングのために大きな画像を小さなパッチに分割する必要がある。
第一に、隣接したパッチの境界にある核は、しばしば推論中に誤認される。
第二に、このパッチベースのアプローチはモデルのトレーニングと推論時間を著しく向上させる。
最近、Mambaは線形時間複雑性とメモリ消費の少ない大規模画像のモデル化能力に注目が集まっている。
フルサイズの画像に対して、核分割と分類モデルをトレーニングするための有望なソリューションを提供する。
しかし、Mamba向きに基づく走査法ではカテゴリ固有の特徴を考慮できないため、不均衡なクラス分布を持つシナリオでは準最適性能が得られる。
これらの課題に対処するために,カテゴリー確率ソートに基づく新しいスキャン手法を導入し,各カテゴリの特徴を高いレベルから低いレベルへの信頼度に応じて個別にランク付けし,スキャンする。
このアプローチは、不確実なサンプルの特徴表現を強化し、不均衡分布に起因する問題を緩和する。
4つの公開データセットで行った大規模な実験により、我々の手法は最先端の手法よりも優れ、核分割や分類タスクにおいて優れた性能を発揮することが示された。
関連論文リスト
- DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation
and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
拡散モデルを用いた現実的なデータ合成法を提案する。
トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。
意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
論文 参考訳（メタデータ） (2023-06-25T05:31:08Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。
機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。
提案手法は,画像分類における既存の手法よりも優れている。
論文 参考訳（メタデータ） (2022-12-02T07:31:39Z) - 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) - Learning Debiased and Disentangled Representations for Semantic
Segmentation [52.35766945827972]
セマンティックセグメンテーションのためのモデルに依存しない訓練手法を提案する。
各トレーニングイテレーションで特定のクラス情報をランダムに除去することにより、クラス間の機能依存を効果的に削減する。
提案手法で訓練したモデルは,複数のセマンティックセグメンテーションベンチマークにおいて強い結果を示す。
論文 参考訳（メタデータ） (2021-10-31T16:15:09Z) - Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。
実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文 参考訳（メタデータ） (2020-08-06T05:52:59Z) - Bayesian Few-Shot Classification with One-vs-Each P\'olya-Gamma
Augmented Gaussian Processes [7.6146285961466]
FSC(Few-shot Classification)は、人間のような機械学習への道のりの重要なステップである。
P'olya-Gamma augmentation と one-vs-each softmax approximation の新たな組み合わせを提案する。
標準的な数ショット分類ベンチマークと数ショットドメイン転送タスクの両方において、精度の向上と不確かさの定量化を実証した。
論文 参考訳（メタデータ） (2020-07-20T19:10:41Z) - 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) - Conditional Classification: A Solution for Computational Energy
Reduction [2.182419181054266]
本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。
提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
論文 参考訳（メタデータ） (2020-06-29T03:50:39Z) - M2m: Imbalanced Classification via Major-to-minor Translation [79.09018382489506]
ほとんどの実世界のシナリオでは、ラベル付きトレーニングデータセットは非常にクラス不均衡であり、ディープニューラルネットワークは、バランスの取れたテスト基準への一般化に苦しむ。
本稿では,より頻度の低いクラスを,より頻度の低いクラスからのサンプルを翻訳することによって,この問題を緩和する新しい方法を提案する。
提案手法は,従来の再サンプリング法や再重み付け法と比較して,マイノリティクラスの一般化を著しく改善することを示す。
論文 参考訳（メタデータ） (2020-04-01T13:21:17Z)
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。