論文の概要: High-Precision Mixed Feature Fusion Network Using Hypergraph Computation for Cervical Abnormal Cell Detection

• arxiv url: http://arxiv.org/abs/2508.16140v1
• Date: Fri, 22 Aug 2025 07:00:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-25 16:42:36.280077
• Title: High-Precision Mixed Feature Fusion Network Using Hypergraph Computation for Cervical Abnormal Cell Detection
• Title（参考訳）: ハイパーグラフ計算による頚椎異常細胞検出のための高精度混合核融合ネットワーク
• Authors: Jincheng Li, Danyang Dong, Menglin Zheng, Jingbo Zhang, Yueqin Hang, Lichi Zhang, Lili Zhao,
• Abstract要約: 本研究では,空間相関特徴と深部識別特徴を併用して,様々な特徴を効果的に融合するハイパーグラフベースの細胞検出ネットワークを提案する。 以上の結果より, 頸部異常細胞検出の精度は有意に向上した。
• 参考スコア（独自算出の注目度）: 4.053254453967999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic detection of abnormal cervical cells from Thinprep Cytologic Test (TCT) images is a critical component in the development of intelligent computer-aided diagnostic systems. However, existing algorithms typically fail to effectively model the correlations of visual features, while these spatial correlation features actually contain critical diagnostic information. Furthermore, no detection algorithm has the ability to integrate inter-correlation features of cells with intra-discriminative features of cells, lacking a fusion strategy for the end-to-end detection model. In this work, we propose a hypergraph-based cell detection network that effectively fuses different types of features, combining spatial correlation features and deep discriminative features. Specifically, we use a Multi-level Fusion Sub-network (MLF-SNet) to enhance feature extractioncapabilities. Then we introduce a Cross-level Feature Fusion Strategy with Hypergraph Computation module (CLFFS-HC), to integrate mixed features. Finally, we conducted experiments on three publicly available datasets, and the results demonstrate that our method significantly improves the performance of cervical abnormal cell detection.
• Abstract（参考訳）: Thinprep Cytological Test (TCT) 画像からの異常な頸部細胞の自動検出は、インテリジェントコンピュータ支援診断システムの開発において重要な要素である。 しかし、既存のアルゴリズムは視覚的特徴の相関を効果的にモデル化するのに失敗する。 さらに、検出アルゴリズムには、細胞間の相関特性と細胞間の識別的特徴を統合できる機能はなく、エンドツーエンド検出モデルの融合戦略が欠如している。 本研究では,空間相関特徴と深層識別特徴を併用して,様々な特徴を効果的に融合するハイパーグラフに基づく細胞検出ネットワークを提案する。 具体的には,Multi-level Fusion Sub-network (MLF-SNet) を用いて特徴抽出能力を向上する。 次に、ハイパーグラフ計算モジュール(CLFFS-HC)を用いたクロスレベル機能融合戦略を導入し、混合機能を統合する。 最後に,3つの公開データセットについて実験を行い,本手法は頸部異常細胞検出の性能を著しく向上させることを示した。

関連論文リスト

• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [54.85000884785013]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
  白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。 我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。 それぞれ0.9894と0.9893のF1スコアレートを達成している。
  論文  参考訳（メタデータ） (2024-10-11T13:31:28Z)
• GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
  本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。 複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。 乳がんの病理組織像データセットの多様性について検討した。
  論文  参考訳（メタデータ） (2024-06-12T19:17:17Z)
• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Learning Multiscale Consistency for Self-supervised Electron Microscopy Instance Segmentation [48.267001230607306]
  本稿では,EMボリュームのマルチスケール一貫性を高める事前学習フレームワークを提案する。 当社のアプローチでは,強力なデータ拡張と弱いデータ拡張を統合することで,Siameseネットワークアーキテクチャを活用している。 効果的にボクセルと機能の一貫性をキャプチャし、EM分析のための転送可能な表現を学習する。
  論文  参考訳（メタデータ） (2023-08-19T05:49:13Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks [0.0]
  本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。 実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
  論文  参考訳（メタデータ） (2020-12-14T03:39:33Z)

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。