論文の概要: APSeg: Auto-Prompt Model with Acquired and Injected Knowledge for Nuclear Instance Segmentation and Classification
- arxiv url: http://arxiv.org/abs/2504.02222v1
- Date: Thu, 03 Apr 2025 02:28:51 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-04 12:55:22.107546
- Title: APSeg: Auto-Prompt Model with Acquired and Injected Knowledge for Nuclear Instance Segmentation and Classification
- Title（参考訳）: APSeg:核インスタンスのセグメンテーションと分類のための知識の獲得と注入によるオートプロンプトモデル
- Authors: Liying Xu, Hongliang He, Wei Han, Hanbin Huang, Siwei Feng, Guohong Fu,
- Abstract要約: 核インスタンスのtextbfSegmentation と classification に関する知識を取得,注入した textbfAuto-textbfPrompt モデルを提案する。
APSegは,(1)分布ガイド付き提案オフセットモジュール(textbfDG-POM)と(2)カテゴリ記述から派生した形態的知識を注入するカテゴリ知識セマンティックインジェクションモジュール(textbfCK-SIM)の2つの知識認識モジュールを組み込んでいる。
- 参考スコア（独自算出の注目度）: 19.827639378231993
- License:
- Abstract: Nuclear instance segmentation and classification provide critical quantitative foundations for digital pathology diagnosis. With the advent of the foundational Segment Anything Model (SAM), the accuracy and efficiency of nuclear segmentation have improved significantly. However, SAM imposes a strong reliance on precise prompts, and its class-agnostic design renders its classification results entirely dependent on the provided prompts. Therefore, we focus on generating prompts with more accurate localization and classification and propose \textbf{APSeg}, \textbf{A}uto-\textbf{P}rompt model with acquired and injected knowledge for nuclear instance \textbf{Seg}mentation and classification. APSeg incorporates two knowledge-aware modules: (1) Distribution-Guided Proposal Offset Module (\textbf{DG-POM}), which learns distribution knowledge through density map guided, and (2) Category Knowledge Semantic Injection Module (\textbf{CK-SIM}), which injects morphological knowledge derived from category descriptions. We conducted extensive experiments on the PanNuke and CoNSeP datasets, demonstrating the effectiveness of our approach. The code will be released upon acceptance.
- Abstract（参考訳）: 核インスタンスのセグメンテーションと分類は、デジタル病理診断に重要な定量的基礎を提供する。
SAM(Segment Anything Model)の出現により、核セグメンテーションの精度と効率は大幅に向上した。
しかしSAMは正確なプロンプトに強く依存しており、クラスに依存しない設計では、与えられたプロンプトに完全に依存する。
そこで我々は,より正確なローカライゼーションと分類によるプロンプトの生成に焦点をあて,核インスタンス \textbf{A}uto-\textbf{P}rompt モデルを提案する。
APSegには,(1)分布ガイド付き提案オフセットモジュール (\textbf{DG-POM}) と(2)カテゴリ記述から派生した形態的知識を注入するカテゴリ知識意味注入モジュール (\textbf{CK-SIM}) の2つの知識認識モジュールが組み込まれている。
我々は、PanNukeとCoNSePデータセットについて広範な実験を行い、我々のアプローチの有効性を実証した。
コードは受理時にリリースされます。
関連論文リスト
- High-Performance Few-Shot Segmentation with Foundation Models: An Empirical Study [64.06777376676513]
基礎モデルに基づく数ショットセグメンテーション(FSS)フレームワークを開発した。
具体的には、基礎モデルから暗黙的な知識を抽出し、粗い対応を構築するための簡単なアプローチを提案する。
2つの広く使われているデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2024-09-10T08:04:11Z) - 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) - A Novel Dataset and a Deep Learning Method for Mitosis Nuclei
Segmentation and Classification [10.960222475663006]
ミトコンドリア核数(Mitosis nuclear count)は乳癌の病理診断における重要な指標の1つである。
そこで本研究では,SCMitosisという2段階のミトーシスセグメンテーションと分類法を提案する。
提案モデルはICPR 2012データセット上で検証され、最高Fスコア値は0.8687である。
論文 参考訳（メタデータ） (2022-12-27T08:12:42Z) - 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) - Weakly-supervised segmentation using inherently-explainable
classification models and their application to brain tumour classification [0.46873264197900916]
本稿では,これら2つの問題に1つとして対処するために,本質的に説明可能な3つの分類法を提案する。
モデルは2つの異なるデータセットを用いたマルチクラス脳腫瘍分類のタスクに採用された。
得られた腫瘍のみの画像のサブセットの精度は、最先端のグリオーマ腫瘍グレーディングバイナリ分類器を98.7%の精度で上回った。
論文 参考訳（メタデータ） (2022-06-10T14:44:05Z) - 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) - NuCLS: A scalable crowdsourcing, deep learning approach and dataset for
nucleus classification, localization and segmentation [0.0]
ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。
十分な量の品質ラベルを生成することは 計算病理学において 重要な障壁として現れています
弱いアルゴリズムが生成するアノテーションは、非専門家が生成するアノテーションの精度をいかに向上させるかを示す。
論文 参考訳（メタデータ） (2021-02-18T01:17:17Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z) - 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) - Attention-based Neural Bag-of-Features Learning for Sequence Data [143.62294358378128]
2D-Attention (2DA) は、シーケンスデータの一般的なアテンション定式化である。
提案したアテンションモジュールは、最近提案されたNeural Bag of Feature(NBoF)モデルに組み込まれ、学習能力を高める。
実験により,提案手法はNBoFモデルの性能を向上させるだけでなく,ノイズに耐性を持つことを示す。
論文 参考訳（メタデータ） (2020-05-25T17:51:54Z)
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。