論文の概要: Cell Instance Segmentation: The Devil Is in the Boundaries
- arxiv url: http://arxiv.org/abs/2510.09848v1
- Date: Fri, 10 Oct 2025 20:24:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:29.648861
- Title: Cell Instance Segmentation: The Devil Is in the Boundaries
- Title（参考訳）: セルインスタンスのセグメンテーション:デビルは境界にある
- Authors: Peixian Liang, Yifan Ding, Yizhe Zhang, Jianxu Chen, Hao Zheng, Hongxiao Wang, Yejia Zhang, Guangyu Meng, Tim Weninger, Michael Niemier, X. Sharon Hu, Danny Z Chen,
- Abstract要約: セルインスタンスセグメンテーションのための最新技術(SOTA)メソッドは、ディープラーニング(DL)セグメンテーションアプローチに基づいている。
本稿では,セル境界特性とラベルを利用して前景画素をセルインスタンスに分割する,Cebと呼ばれる新しいピクセルクラスタリング手法を提案する。
Cebは、セグメンテーション確率マップ上で既存のピクセルクラスタリング手法より優れている。
- 参考スコア（独自算出の注目度）: 24.623189548133315
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: State-of-the-art (SOTA) methods for cell instance segmentation are based on deep learning (DL) semantic segmentation approaches, focusing on distinguishing foreground pixels from background pixels. In order to identify cell instances from foreground pixels (e.g., pixel clustering), most methods decompose instance information into pixel-wise objectives, such as distances to foreground-background boundaries (distance maps), heat gradients with the center point as heat source (heat diffusion maps), and distances from the center point to foreground-background boundaries with fixed angles (star-shaped polygons). However, pixel-wise objectives may lose significant geometric properties of the cell instances, such as shape, curvature, and convexity, which require a collection of pixels to represent. To address this challenge, we present a novel pixel clustering method, called Ceb (for Cell boundaries), to leverage cell boundary features and labels to divide foreground pixels into cell instances. Starting with probability maps generated from semantic segmentation, Ceb first extracts potential foreground-foreground boundaries with a revised Watershed algorithm. For each boundary candidate, a boundary feature representation (called boundary signature) is constructed by sampling pixels from the current foreground-foreground boundary as well as the neighboring background-foreground boundaries. Next, a boundary classifier is used to predict its binary boundary label based on the corresponding boundary signature. Finally, cell instances are obtained by dividing or merging neighboring regions based on the predicted boundary labels. Extensive experiments on six datasets demonstrate that Ceb outperforms existing pixel clustering methods on semantic segmentation probability maps. Moreover, Ceb achieves highly competitive performance compared to SOTA cell instance segmentation methods.
- Abstract（参考訳）: セルインスタンスセグメンテーションのための最新技術(SOTA)手法は、背景画素と背景画素の区別に焦点を当てた深層学習(DL)セグメンテーションアプローチに基づいている。
前景画素(例えば画素クラスタリング)からセルのインスタンスを識別するために、ほとんどのメソッドは、フォアグラウンド-バックグラウンド境界(距離マップ)までの距離、熱源(熱拡散マップ)としての中心点による熱勾配、固定角度(星形多角形)によるフォアグラウンド-バックグラウンド境界までの距離などの、画素単位の目的にインスタンス情報を分解する。
しかし、ピクセル単位の目的は、形状、曲率、凸性などのセルインスタンスの重要な幾何学的特性を失う可能性がある。
この課題に対処するために,セル境界(セル境界)と呼ばれる新しいピクセルクラスタリング手法を提案し,セル境界の特徴とラベルを活用して,前景画素をセルインスタンスに分割する。
セマンティックセグメンテーションから生成される確率マップから始めると、Cebはまず、改訂されたウォーターッシュアルゴリズムを用いて、前景と地上の境界を抽出する。
各境界候補について、境界特徴表現(境界符号と呼ばれる)は、現在の前地上境界と隣接する背景境界から画素をサンプリングすることによって構成される。
次に、境界分類器を使用して、対応する境界シグネチャに基づいて境界ラベルを予測する。
最後に、予測境界ラベルに基づいて隣接領域を分割またはマージしてセルインスタンスを得る。
6つのデータセットに対する大規模な実験により、セマンティックセグメンテーションの確率マップにおいて、Cebは既存のピクセルクラスタリング手法より優れていることが示された。
さらに、CebはSOTAセルインスタンスのセグメンテーション法と比較して高い競争性能を達成している。
関連論文リスト
- ReFit: A Framework for Refinement of Weakly Supervised Semantic
Segmentation using Object Border Fitting for Medical Images [4.945138408504987]
Weakly Supervised Semantic (WSSS)は、画像レベルの監視のみに依存しているため、ネットワークの必要性に対処する上で有望なアプローチである。
本稿では,最新クラスのアクティベーションマップとポストプロセッシング手法を組み合わせたReFitフレームワークを提案する。
本手法をWSSS予測に適用することにより,医用画像の最先端WSSS法に対して最大10%の改善を実現した。
論文 参考訳（メタデータ） (2023-03-14T12:46:52Z) - PNM: Pixel Null Model for General Image Segmentation [17.971090313814447]
ランダムセグメンタによって正しく分類される確率に応じて各ピクセルを重み付けする先行モデルを提案する。
3つのデータセットに対するセグメンテーションのセグメンテーション・タスクの実験により、PNMはセグメンテーションの品質を一貫して改善することを確認した。
本稿では,境界のシャープさを認識できる新しい測度であるtextitPNM IoUを提案する。
論文 参考訳（メタデータ） (2022-03-13T15:17:41Z) - A Random Point Initialization Approach to Image Segmentation with
Variational Level-sets [0.0]
本稿では,オブジェクト境界を迅速に検出できる変動レベルセット画像分割法を提案する。
実画像上での本手法の性能をCanny法と比較することにより,本手法の有効性を実証する。
論文 参考訳（メタデータ） (2021-12-23T04:37:44Z) - Object-Guided Instance Segmentation With Auxiliary Feature Refinement
for Biological Images [58.914034295184685]
サンプルセグメンテーションは、神経細胞相互作用の研究、植物の表現型化、細胞が薬物治療にどう反応するかを定量的に測定するなど、多くの生物学的応用において非常に重要である。
Boxベースのインスタンスセグメンテーションメソッドは、バウンディングボックスを介してオブジェクトをキャプチャし、各バウンディングボックス領域内で個々のセグメンテーションを実行する。
提案手法は,まずオブジェクトの中心点を検出し,そこから境界ボックスパラメータが予測される。
セグメンテーションブランチは、オブジェクト特徴をガイダンスとして再利用し、同じバウンディングボックス領域内の隣のオブジェクトからターゲットオブジェクトを分離する。
論文 参考訳（メタデータ） (2021-06-14T04:35:36Z) - BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。
形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。
提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
論文 参考訳（メタデータ） (2021-05-25T04:58:51Z) - AINet: Association Implantation for Superpixel Segmentation [82.21559299694555]
今回提案する新しいtextbfAssociation textbfImplantation(AI)モジュールは、ネットワークがピクセルとその周辺グリッド間の関係を明示的にキャプチャすることを可能にする。
本手法は最先端性能を実現するだけでなく,十分な推論効率を維持することができた。
論文 参考訳（メタデータ） (2021-01-26T10:40:13Z) - Superpixel Segmentation Based on Spatially Constrained Subspace
Clustering [57.76302397774641]
独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。
従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。
本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
論文 参考訳（メタデータ） (2020-12-11T06:18:36Z) - SegFix: Model-Agnostic Boundary Refinement for Segmentation [75.58050758615316]
既存のセグメンテーションモデルによって生成されるセグメンテーション結果の境界品質を改善するためのモデルに依存しない後処理方式を提案する。
内部画素のラベル予測がより信頼性が高いという実証的な観察により、我々は、内部画素の予測によって、もともと信頼できない境界画素の予測を置き換えることを提案する。
論文 参考訳（メタデータ） (2020-07-08T17:08:08Z) - Saliency Enhancement using Gradient Domain Edges Merging [65.90255950853674]
本研究では,エッジとサリエンシマップをマージして,サリエンシマップの性能を向上させる手法を開発した。
これにより、DUT-OMRONデータセットの少なくとも3.4倍の平均的な改善により、エッジ(SEE)を使用したサリエンシ向上が提案された。
SEEアルゴリズムは前処理のためのSEE-Preと後処理のためのSEE-Postの2つの部分に分けられる。
論文 参考訳（メタデータ） (2020-02-11T14:04:56Z)
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。