論文の概要: RepSNet: A Nucleus Instance Segmentation model based on Boundary Regression and Structural Re-parameterization

• arxiv url: http://arxiv.org/abs/2505.05073v1
• Date: Thu, 08 May 2025 09:08:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-09 21:43:49.820676
• Title: RepSNet: A Nucleus Instance Segmentation model based on Boundary Regression and Structural Re-parameterization
• Title（参考訳）: RepSNet:境界回帰と構造的再パラメータ化に基づく核インスタンスセグメンテーションモデル
• Authors: Shengchun Xiong, Xiangru Li, Yunpeng Zhong, Wanfen Peng,
• Abstract要約: 核のインスタンスセグメンテーションは、デジタル病理解析と病理診断において重要なステップである。 本稿では、核境界回帰に基づくニューラルネットワークモデルRepSNetを設計する。 RepSNetは、様々なスケールの受容場から特徴を集約するだけでなく、モデル推論フェーズにおけるパラメータ量と計算負担を削減することができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathological diagnosis is the gold standard for tumor diagnosis, and nucleus instance segmentation is a key step in digital pathology analysis and pathological diagnosis. However, the computational efficiency of the model and the treatment of overlapping targets are the major challenges in the studies of this problem. To this end, a neural network model RepSNet was designed based on a nucleus boundary regression and a structural re-parameterization scheme for segmenting and classifying the nuclei in H\&E-stained histopathological images. First, RepSNet estimates the boundary position information (BPI) of the parent nucleus for each pixel. The BPI estimation incorporates the local information of the pixel and the contextual information of the parent nucleus. Then, the nucleus boundary is estimated by aggregating the BPIs from a series of pixels using a proposed boundary voting mechanism (BVM), and the instance segmentation results are computed from the estimated nucleus boundary using a connected component analysis procedure. The BVM intrinsically achieves a kind of synergistic belief enhancement among the BPIs from various pixels. Therefore, different from the methods available in literature that obtain nucleus boundaries based on a direct pixel recognition scheme, RepSNet computes its boundary decisions based on some guidances from macroscopic information using an integration mechanism. In addition, RepSNet employs a re-parametrizable encoder-decoder structure. This model can not only aggregate features from some receptive fields with various scales which helps segmentation accuracy improvement, but also reduce the parameter amount and computational burdens in the model inference phase through the structural re-parameterization technique. Extensive experiments demonstrated the superiorities of RepSNet compared to several typical benchmark models.
• Abstract（参考訳）: 病理診断は腫瘍診断における金の標準であり,核のインスタンスセグメンテーションはデジタル病理解析と病理診断における重要なステップである。 しかし、モデルの計算効率と重なり合う対象の処理は、この問題の研究において大きな課題である。 この目的のために、ニューラルネットワークモデルRepSNetは、核境界回帰と構造的再パラメータ化スキームに基づいて、H\&E染色された病理像の核の分画と分類を設計した。 まず、RepSNetは、各画素の親核の境界位置情報(BPI)を推定する。 BPI推定は、画素の局所情報と親核の文脈情報を含む。 そして、提案した境界投票機構(BVM)を用いて一連の画素からBPIを集約して核境界を推定し、接続された成分分析手順を用いて推定された核境界からインスタンスセグメンテーション結果を算出する。 BVMは本質的に、様々な画素からBPI間の相乗的信念の強化を達成している。 そのため、RepSNetは、直接画素認識方式に基づいて核境界を求める文献で利用可能な手法とは違い、積分機構を用いたマクロ情報からのガイダンスに基づいて境界決定を計算する。 さらにRepSNetは再並列化可能なエンコーダデコーダ構造を採用している。 このモデルは, セグメンテーション精度の向上を支援する様々なスケールの受容場からの特徴を集約するだけでなく, 構造的再パラメータ化手法により, モデル推論フェーズにおけるパラメータ量と計算負担を低減することができる。 大規模な実験は、いくつかの典型的なベンチマークモデルと比較してRepSNetの優位性を実証した。

関連論文リスト

• Multi-encoder nnU-Net outperforms Transformer models with self-supervised pretraining [0.0]
  本研究は, 医用画像の解剖学的構造と病理的領域の自動同定と記述を含む, 医用画像セグメンテーションの課題に対処するものである。 本稿では,複数のMRIモダリティを別個のエンコーダで独立に処理するために設計された,自己教師型学習用マルチエンコーダnnU-Netアーキテクチャを提案する。 我々のマルチエンコーダnnU-Netは、Vanilla nnU-Net、SegResNet、Swin UNETRといった他のモデルを上回る93.72%のDice similarity Coefficient(DSC)を達成し、例外的な性能を示す。
  論文  参考訳（メタデータ） (2025-04-04T14:31:06Z)
• 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)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
  バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。 システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。 2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
  論文  参考訳（メタデータ） (2022-11-08T09:54:34Z)
• MGTUNet: An new UNet for colon nuclei instance segmentation and quantification [3.693770437824002]
  本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。 3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
  論文  参考訳（メタデータ） (2022-10-20T03:00:40Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Improving anatomical plausibility in medical image segmentation via hybrid graph neural networks: applications to chest x-ray analysis [3.3382651833270587]
  我々は、画像特徴符号化とグラフ畳み込みニューラルネットワーク(GCNN)の標準畳み込みを利用して、解剖学的構造の可塑性表現を復号するエンコーダデコーダニューラルアーキテクチャであるHybridGNetを紹介する。 新たなイメージ・ツー・グラフ・スキップ接続層により、標準的な畳み込みブロックからGCNNブロックへローカライズされた機能が流れ、セグメンテーションの精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-03-21T13:37:23Z)
• Nuclei panoptic segmentation and composition regression with multi-task deep neural networks [0.12183405753834559]
  本報告では,Crocol Nuclei Identification and Counting (CoNIC) に提案した手法について述べる。 提案手法では, マルチタスク学習フレームワークを用いて, 単視分割タスクと回帰タスクを実行する。 パノプティカルセグメンテーションタスクでは、エンコーダ-デコーダ型ディープニューラルネットワークを用いて方向マップとセグメンテーションマップを予測し、近隣の核を異なるインスタンスに分割する。
  論文  参考訳（メタデータ） (2022-02-23T22:09:37Z)
• PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
  画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。 このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
  論文  参考訳（メタデータ） (2021-08-09T04:58:23Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。