論文の概要: Co-Seg: Mutual Prompt-Guided Collaborative Learning for Tissue and Nuclei Segmentation

• arxiv url: http://arxiv.org/abs/2509.06740v1
• Date: Mon, 08 Sep 2025 14:34:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-09 14:07:04.189592
• Title: Co-Seg: Mutual Prompt-Guided Collaborative Learning for Tissue and Nuclei Segmentation
• Title（参考訳）: Co-Seg: 組織と核のセグメンテーションのための相互プロンプトガイドによる協調学習
• Authors: Qing Xu, Wenting Duan, Zhen Chen,
• Abstract要約: 病理組織像解析は、組織領域や核のインスタンスの分節化が要求されるため、重要な課題である。 既存の研究では、組織セマンティックセグメンテーションや核インスタンスセグメンテーションを別々に研究していたが、これらの2つのタスクの固有の関係を無視した。 協調組織と核セグメンテーションのためのCo-Segフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 4.781574299202757
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histopathology image analysis is critical yet challenged by the demand of segmenting tissue regions and nuclei instances for tumor microenvironment and cellular morphology analysis. Existing studies focused on tissue semantic segmentation or nuclei instance segmentation separately, but ignored the inherent relationship between these two tasks, resulting in insufficient histopathology understanding. To address this issue, we propose a Co-Seg framework for collaborative tissue and nuclei segmentation. Specifically, we introduce a novel co-segmentation paradigm, allowing tissue and nuclei segmentation tasks to mutually enhance each other. To this end, we first devise a region-aware prompt encoder (RP-Encoder) to provide high-quality semantic and instance region prompts as prior constraints. Moreover, we design a mutual prompt mask decoder (MP-Decoder) that leverages cross-guidance to strengthen the contextual consistency of both tasks, collaboratively computing semantic and instance segmentation masks. Extensive experiments on the PUMA dataset demonstrate that the proposed Co-Seg surpasses state-of-the-arts in the semantic, instance and panoptic segmentation of tumor tissues and nuclei instances. The source code is available at https://github.com/xq141839/Co-Seg.
• Abstract（参考訳）: 病理組織像解析は, 腫瘍微小環境と細胞形態解析のための分節組織領域と核インスタンスの要求により, 重要な課題である。 既存の研究では、組織の意味のセグメンテーションや核のインスタンスのセグメンテーションを別々に研究していたが、これらの2つのタスクの固有の関係を無視したため、病理組織学の理解は不十分であった。 この問題に対処するために,協調組織と核分割のためのCo-Segフレームワークを提案する。 具体的には,組織と核のセグメンテーションタスクを相互に強化する,新しいコセグメンテーションパラダイムを導入する。 この目的のために、まず、領域対応プロンプトエンコーダ(RP-Encoder)を考案し、高品質なセマンティックおよびインスタンス領域プロンプトを事前の制約として提供する。 さらに、相互誘導を利用した相互プロンプトマスクデコーダ(MP-Decoder)を設計し、タスク間のコンテキスト整合性を強化し、セマンティクスとインスタンスセグメンテーションマスクを協調的に計算する。 PUMAデータセットの大規模な実験により、提案されたCo-Segは、腫瘍組織と核インスタンスのセマンティック、例、およびパノプティックセグメンテーションにおいて最先端の技術を超越していることが示された。 ソースコードはhttps://github.com/xq141839/Co-Segで入手できる。

関連論文リスト

• Co-Seg++: Mutual Prompt-Guided Collaborative Learning for Versatile Medical Segmentation [4.584473085778697]
  医用画像解析は、臓器や組織を共同で分割する必要があるため、重要な課題である。 既存の研究は通常、異なるセグメンテーションタスクを独立した形で定式化している。 汎用医療セグメンテーションのためのCo-Seg++フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-20T17:05:09Z)
• Image Segmentation in Foundation Model Era: A Survey [95.60054312319939]
  イメージセグメンテーションにおける現在の研究は、異なる特徴、課題、解決策の詳細な分析を欠いている。 本調査は、FM駆動画像セグメンテーションを中心とした最先端の研究を徹底的にレビューすることで、このギャップを埋めようとしている。 現在の研究成果の広さを包括する,300以上のセグメンテーションアプローチの概要を概観する。
  論文  参考訳（メタデータ） (2024-08-23T10:07:59Z)
• 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)
• DoNet: Deep De-overlapping Network for Cytology Instance Segmentation [7.321293750325454]
  本稿では,分解・再結合戦略における重複ネットワーク(DoNet)を提案する。 Dual-path Region Module (DRM) は、セルクラスタを交差領域と補領域に明示的に分解する。 Mask-guided Region Proposal Strategy (MRP)は、内部セルインスタンス予測のためのセルアテンションマップを統合する。
  論文  参考訳（メタデータ） (2023-03-25T06:26:50Z)
• Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
  半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。 共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。 異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
  論文  参考訳（メタデータ） (2023-01-12T08:19:46Z)
• BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung Infection Segmentation from CT Images [83.82141604007899]
  BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。 BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。 BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
  論文  参考訳（メタデータ） (2022-07-17T08:54:07Z)
• 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)
• Generalized Organ Segmentation by Imitating One-shot Reasoning using Anatomical Correlation [55.1248480381153]
  そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。 そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-30T13:41:12Z)
• Multi-Modality Pathology Segmentation Framework: Application to Cardiac Magnetic Resonance Images [3.5354617056939874]
  本研究は,多モードCMR画像に基づく自動カスケード診断セグメンテーションフレームワークを提案する。 主に、解剖学的構造セグメンテーションネットワーク(ASSN)と病理学的領域セグメンテーションネットワーク(PRSN)の2つのニューラルネットワークで構成されている。
  論文  参考訳（メタデータ） (2020-08-13T09:57:04Z)

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。