論文の概要: DLA-Count: Dynamic Label Assignment Network for Dense Cell Distribution Counting

• arxiv url: http://arxiv.org/abs/2503.12063v1
• Date: Sat, 15 Mar 2025 09:32:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:31:32.516606
• Title: DLA-Count: Dynamic Label Assignment Network for Dense Cell Distribution Counting
• Title（参考訳）: DLA-Count:Dense Cell Distribution Countingのための動的ラベル割り当てネットワーク
• Authors: Yuqing Yan, Yirui Wu,
• Abstract要約: DLA-Countは3つの重要なイノベーションをもたらす細胞カウントの画期的なアプローチである。 K-adjacent Hungarian Matching (KHM), Multi-scale Deformable Gaussian Convolution (MDGC), Gaussian Enhanced Feature Decoder (GFD) 提案手法は,ADIでは46.7%,MBMでは42.5%,平均絶対誤差では46.7%向上した。
• 参考スコア（独自算出の注目度）: 5.052126684056964
• License:
• Abstract: Cell counting remains a fundamental yet challenging task in medical and biological research due to the diverse morphology of cells, their dense distribution, and variations in image quality. We present DLA-Count, a breakthrough approach to cell counting that introduces three key innovations: (1) K-adjacent Hungarian Matching (KHM), which dramatically improves cell matching in dense regions, (2) Multi-scale Deformable Gaussian Convolution (MDGC), which adapts to varying cell morphologies, and (3) Gaussian-enhanced Feature Decoder (GFD) for efficient multi-scale feature fusion. Our extensive experiments on four challenging cell counting datasets (ADI, MBM, VGG, and DCC) demonstrate that our method outperforms previous methods across diverse datasets, with improvements in Mean Absolute Error of up to 46.7\% on ADI and 42.5\% on MBM datasets. Our code is available at https://anonymous.4open.science/r/DLA-Count.
• Abstract（参考訳）: 細胞カウントは、細胞の多様な形態、その密度分布、画像品質の変化により、医療や生物学的研究において基本的な課題であり続けている。 DLA-Countは,(1)K-adjacent Hungarian Matching (KHM) の高密度領域での細胞マッチングを劇的に改善し,(2) 様々な細胞形態に適応するMDGC (Multiscale Deformable Gaussian Convolution) ,(3) マルチスケール特徴融合のためのGaussian-enhanced Feature Decoder (GFD) の3つの重要な革新をもたらす。 4つの挑戦的なセルカウントデータセット(ADI, MBM, VGG, DCC)に関する広範な実験により、我々の手法は様々なデータセットで過去の手法よりも優れており、平均絶対誤差はADIで46.7%、MBMで42.5\%向上している。 私たちのコードはhttps://anonymous.4open.science/r/DLA-Count.orgで公開されています。

関連論文リスト

• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• CLANet: A Comprehensive Framework for Cross-Batch Cell Line Identification Using Brightfield Images [21.660573230005173]
  我々はCLANetを紹介した。CLANetは、明視野画像を用いたクロスバッチセルライン識別の先駆的なフレームワークである。 本稿では,セル密度の変動を効率的に把握するためのセルクラスタレベルの選択法と,画像品質の変動を管理するための自己教師付き学習戦略を提案する。 我々は、AstraZeneca Global Cell Bankの93の実験バッチにわたる32のセルラインのデータを用いて、CLANetを検証する。
  論文  参考訳（メタデータ） (2023-06-28T20:24:53Z)
• DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell Detection and Counting [14.222014969736993]
  マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。 本稿では,細胞間における識別的特徴の活用を誘導することにより,物体検出を支援するガイド付き後部正則化(DeGPR)を提案する。 2つの公開データセットと、コントリビュートした新しいデータセットであるMuCeD上で、私たちのモデルを検証します。
  論文  参考訳（メタデータ） (2023-04-03T06:25:45Z)
• 3D Mitochondria Instance Segmentation with Spatio-Temporal Transformers [101.44668514239959]
  本稿では,空間的および時間的注意を並列に効率的に計算するハイブリッドエンコーダデコーダフレームワークを提案する。 また,ミトコンドリアインスタンスの領域を背景から支援する訓練中に,意味的クラッタ・バックグラウンドの逆行性障害も導入した。
  論文  参考訳（メタデータ） (2023-03-21T17:58:49Z)
• MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality Microscopy [9.405458160620533]
  マルチモーダルなセルインスタンスセグメンテーションのための総合パイプラインであるMEDIARを提案する。 検証段階では時間予算を満足しながら0.9067F1スコアを達成する。 その後の研究を容易にするために、ソースコードとトレーニングされたモデルをオープンソースとして提供します。
  論文  参考訳（メタデータ） (2022-12-07T05:09:24Z)
• Dual Multi-scale Mean Teacher Network for Semi-supervised Infection Segmentation in Chest CT Volume for COVID-19 [76.51091445670596]
  CT(Computed tomography)データから肺感染症を自動的に検出することは、COVID-19と戦う上で重要な役割を担っている。 現在の新型コロナウイルス感染症のセグメンテーションのほとんどは、主に3Dシーケンシャルな制約を欠いた2D CT画像に依存している。 既存の3次元CTセグメンテーション法では,3次元ボリュームにおける複数レベルの受容場サイズを達成できない単一スケールの表現に焦点が当てられている。
  論文  参考訳（メタデータ） (2022-11-10T13:11:21Z)
• Stretchable Cells Help DARTS Search Better [70.52254306274092]
  分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。 現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。 本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
  論文  参考訳（メタデータ） (2020-11-18T14:15:51Z)
• Deeply-Supervised Density Regression for Automatic Cell Counting in Microscopy Images [9.392002197101965]
  顕微鏡画像中の細胞を自動的にカウントする密度回帰に基づく新しい手法を提案する。 提案手法は, 従来のレグレッションベース手法と比較して, 2つのイノベーションを処理している。 4つのデータセットで評価した実験により,提案手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2020-11-07T04:02:47Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)
• Cell Segmentation by Combining Marker-Controlled Watershed and Deep Learning [0.6091702876917281]
  本稿では,密集したセルの画像を解析するためのセル分割法を提案する。 マーカー制御型流域変換と畳み込みニューラルネットワーク(CNN)の強みを組み合わせた手法 提案手法は使いやすく, 各種データに最先端の性能を応用した汎用化を実現している。
  論文  参考訳（メタデータ） (2020-04-03T14:51:43Z)

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。