論文の概要: Instance Migration Diffusion for Nuclear Instance Segmentation in Pathology

• arxiv url: http://arxiv.org/abs/2504.01577v1
• Date: Wed, 02 Apr 2025 10:29:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:19:33.104894
• Title: Instance Migration Diffusion for Nuclear Instance Segmentation in Pathology
• Title（参考訳）: 病理組織における核インスタンス分離のためのインスタンス移行拡散
• Authors: Lirui Qi, Hongliang He, Tong Wang, Siwei Feng, Guohong Fu,
• Abstract要約: 核のインスタンスセグメンテーションは、デジタル病理学における疾患診断において重要な役割を担っている。 この課題に対処するために,新しいデータ拡張フレームワークIM-Diffusionを提案する。 多様な核配置と核間空間関係を構築することで、より多様な病理画像を生成する。
• 参考スコア（独自算出の注目度）: 21.059526315053464
• License:
• Abstract: Nuclear instance segmentation plays a vital role in disease diagnosis within digital pathology. However, limited labeled data in pathological images restricts the overall performance of nuclear instance segmentation. To tackle this challenge, we propose a novel data augmentation framework Instance Migration Diffusion Model (IM-Diffusion), IM-Diffusion designed to generate more varied pathological images by constructing diverse nuclear layouts and internuclear spatial relationships. In detail, we introduce a Nuclear Migration Module (NMM) which constructs diverse nuclear layouts by simulating the process of nuclear migration. Building on this, we further present an Internuclear-regions Inpainting Module (IIM) to generate diverse internuclear spatial relationships by structure-aware inpainting. On the basis of the above, IM-Diffusion generates more diverse pathological images with different layouts and internuclear spatial relationships, thereby facilitating downstream tasks. Evaluation on the CoNSeP and GLySAC datasets demonstrate that the images generated by IM-Diffusion effectively enhance overall instance segmentation performance. Code will be made public later.
• Abstract（参考訳）: 核のインスタンスセグメンテーションは、デジタル病理学における疾患診断において重要な役割を担っている。 しかし、病理画像中のラベル付きデータは、核インスタンスセグメンテーションの全体的な性能を制限している。 この課題に対処するために, 多様な核配置と核間空間関係を構築し, より多様な病理像を生成するために設計されたIM拡散モデル(IM-Diffusion Model)を提案する。 本稿では,原子力マイグレーションの過程をシミュレートして,多様な核配置を構築する原子力マイグレーションモジュール(NMM)について紹介する。 これに基づいて,構造認識型塗布による多彩な核間空間関係を生成するために,核間領域塗布モジュール (IIM) を新たに提案する。 以上の結果に基づいて,IM-Diffusion は,異なるレイアウトと核間空間関係を持つより多様な病理像を生成し,下流作業を容易にする。 CoNSeP と GLySAC データセットの評価は,IM-Diffusion によって生成された画像が全体のインスタンスセグメンテーション性能を効果的に向上することを示した。 コードは後日公開される予定だ。

関連論文リスト

• Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
  自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略 メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2024-12-10T10:32:09Z)
• MRGen: Segmentation Data Engine For Underrepresented MRI Modalities [59.61465292965639]
  稀ながら臨床的に重要な画像モダリティのための医用画像分割モデルの訓練は、注釈付きデータの不足により困難である。 本稿では、生成モデルを利用してトレーニングデータを合成し、未表現のモダリティに対するセグメンテーションモデルを訓練する。
  論文  参考訳（メタデータ） (2024-12-04T16:34:22Z)
• SEINE: Structure Encoding and Interaction Network for Nuclei Instance Segmentation [15.769396833096149]
  同様に、クロモフォブ核の核内領域と核外領域の視覚的表現は、しばしば低セグメンテーションを引き起こす。 現在の手法では核構造の探索が欠如しており、結果として断片化されたインスタンス予測がもたらされる。 本稿では,原子核の構造モデリング手法を開発する構造符号化・相互作用ネットワークSEINEを提案する。
  論文  参考訳（メタデータ） (2024-01-18T07:44:04Z)
• Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
  核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。 本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。 ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:03:20Z)
• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models [3.2996723916635267]
  第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。 これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
  論文  参考訳（メタデータ） (2023-03-20T22:16:03Z)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• MaNi: Maximizing Mutual Information for Nuclei Cross-Domain Unsupervised Segmentation [9.227037203895533]
  本稿では,相互情報(MI)に基づく非教師なし領域適応(UDA)手法を提案する。 核は、様々な種類のがんの構造と外観に大きく異なり、あるがんタイプで訓練し、別のがんタイプでテストすると、ディープラーニングモデルの性能が低下する。
  論文  参考訳（メタデータ） (2022-06-29T07:24:02Z)
• Cross-Modality Brain Tumor Segmentation via Bidirectional Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
  本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。 具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。 提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
  論文  参考訳（メタデータ） (2021-05-17T10:11:45Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Unsupervised Instance Segmentation in Microscopy Images via Panoptic Domain Adaptation and Task Re-weighting [86.33696045574692]
  病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。 まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。 第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
  論文  参考訳（メタデータ） (2020-05-05T11:08:26Z)

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。