論文の概要: OCELOT 2023: Cell Detection from Cell-Tissue Interaction Challenge

• arxiv url: http://arxiv.org/abs/2509.09153v1
• Date: Thu, 11 Sep 2025 05:21:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.234658
• Title: OCELOT 2023: Cell Detection from Cell-Tissue Interaction Challenge
• Title（参考訳）: OCELOT 2023:細胞間相互作用による細胞検出
• Authors: JaeWoong Shin, Jeongun Ryu, Aaron Valero Puche, Jinhee Lee, Biagio Brattoli, Wonkyung Jung, Soo Ick Cho, Kyunghyun Paeng, Chan-Young Ock, Donggeun Yoo, Zhaoyang Li, Wangkai Li, Huayu Mai, Joshua Millward, Zhen He, Aiden Nibali, Lydia Anette Schoenpflug, Viktor Hendrik Koelzer, Xu Shuoyu, Ji Zheng, Hu Bin, Yu-Wen Lo, Ching-Hui Yang, Sérgio Pereira,
• Abstract要約: OCELOT 2023チャレンジは、細胞と組織間の相互作用を理解することが人間レベルのパフォーマンスを達成するために重要であるという仮説を検証するために、コミュニティから洞察を集めるために開始された。 参加者は、細胞-組織間の関係の理解を著しく向上させるモデルを提示した。 本稿では,OCELOT 2023チャレンジで実施された革新的な戦略について,参加者が使用する手法の比較分析を行った。
• 参考スコア（独自算出の注目度）: 18.567918724777517
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pathologists routinely alternate between different magnifications when examining Whole-Slide Images, allowing them to evaluate both broad tissue morphology and intricate cellular details to form comprehensive diagnoses. However, existing deep learning-based cell detection models struggle to replicate these behaviors and learn the interdependent semantics between structures at different magnifications. A key barrier in the field is the lack of datasets with multi-scale overlapping cell and tissue annotations. The OCELOT 2023 challenge was initiated to gather insights from the community to validate the hypothesis that understanding cell and tissue (cell-tissue) interactions is crucial for achieving human-level performance, and to accelerate the research in this field. The challenge dataset includes overlapping cell detection and tissue segmentation annotations from six organs, comprising 673 pairs sourced from 306 The Cancer Genome Atlas (TCGA) Whole-Slide Images with hematoxylin and eosin staining, divided into training, validation, and test subsets. Participants presented models that significantly enhanced the understanding of cell-tissue relationships. Top entries achieved up to a 7.99 increase in F1-score on the test set compared to the baseline cell-only model that did not incorporate cell-tissue relationships. This is a substantial improvement in performance over traditional cell-only detection methods, demonstrating the need for incorporating multi-scale semantics into the models. This paper provides a comparative analysis of the methods used by participants, highlighting innovative strategies implemented in the OCELOT 2023 challenge.
• Abstract（参考訳）: 病理学者は、Whole-Slide Imagesを調べる際に、様々な倍率を交互に行い、広い組織形態と複雑な細胞の詳細の両方を評価して包括的な診断を行うことができる。 しかし、既存のディープラーニングベースの細胞検出モデルは、これらの振る舞いを再現し、異なる倍率で構造間の相互依存的な意味学を学ぶのに苦労している。 この分野における重要な障壁は、マルチスケールの重複する細胞と組織アノテーションによるデータセットの欠如である。 OCELOT 2023チャレンジは、細胞と組織間の相互作用を理解することが人間レベルのパフォーマンスを達成する上で重要であるという仮説を検証し、この分野の研究を加速するために、コミュニティから洞察を集めるために開始された。 チャレンジデータセットには、6つの臓器から重複する細胞検出と組織分画アノテーションが含まれており、306のがんゲノムアトラス(TCGA)から得られた673対の対からなり、ヘマトキシリンとエオシン染色による全スライド画像が訓練、検証、テストサブセットに分割されている。 参加者は、細胞-組織間の関係の理解を著しく向上させるモデルを提示した。 トップエントリーは、テストセットにおけるF1スコアの7.99増加まで達成された。 これは、従来の細胞のみの検出方法よりも大幅に性能が向上し、モデルにマルチスケールのセマンティクスを組み込む必要性が示された。 本稿では,OCELOT 2023チャレンジで実施された革新的な戦略について,参加者が使用する手法の比較分析を行った。

関連論文リスト

• CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
  我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。 我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
  論文  参考訳（メタデータ） (2025-05-09T06:47:23Z)
• CellPilot [3.2096430458509317]
  この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。 本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。 このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
  論文  参考訳（メタデータ） (2024-11-23T10:31:10Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• 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)
• SoftCTM: Cell detection by soft instance segmentation and consideration of cell-tissue interaction [0.0]
  そこで本研究では,モデルの性能に及ぼす真実形式の影響について検討する。 細胞間相互作用は組織分節予測を提供することによって考慮される。 確率マップのインスタンスセグメンテーションの根拠となる真実は、最高のモデル性能をもたらす。
  論文  参考訳（メタデータ） (2023-12-19T13:33:59Z)
• 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)
• OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
  組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。 細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。 特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
  論文  参考訳（メタデータ） (2023-03-23T08:57:11Z)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)

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。