論文の概要: ACS-SegNet: An Attention-Based CNN-SegFormer Segmentation Network for Tissue Segmentation in Histopathology

• arxiv url: http://arxiv.org/abs/2510.20754v1
• Date: Thu, 23 Oct 2025 17:21:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-25 03:08:18.435928
• Title: ACS-SegNet: An Attention-Based CNN-SegFormer Segmentation Network for Tissue Segmentation in Histopathology
• Title（参考訳）: ACS-SegNet: 病理組織における組織分離のための注意型CNN-SegFormerセグメンテーションネットワーク
• Authors: Nima Torbati, Anastasia Meshcheryakova, Ramona Woitek, Diana Mechtcheriakova, Amirreza Mahbod,
• Abstract要約: コンボリューショナルニューラルネットワーク(CNN)と視覚変換器(ViT)の注意駆動型特徴融合に基づく新しいアプローチを提案する。 我々のモデルはGCPSデータセットで76.79%/86.87%、PUMAデータセットで64.93%/76.60%のmuIoU/muDiceスコアを達成した。
• 参考スコア（独自算出の注目度）: 0.6754906913334766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated histopathological image analysis plays a vital role in computer-aided diagnosis of various diseases. Among developed algorithms, deep learning-based approaches have demonstrated excellent performance in multiple tasks, including semantic tissue segmentation in histological images. In this study, we propose a novel approach based on attention-driven feature fusion of convolutional neural networks (CNNs) and vision transformers (ViTs) within a unified dual-encoder model to improve semantic segmentation performance. Evaluation on two publicly available datasets showed that our model achieved {\mu}IoU/{\mu}Dice scores of 76.79%/86.87% on the GCPS dataset and 64.93%/76.60% on the PUMA dataset, outperforming state-of-the-art and baseline benchmarks. The implementation of our method is publicly available in a GitHub repository: https://github.com/NimaTorbati/ACS-SegNet
• Abstract（参考訳）: 病理組織像の自動解析は, 各種疾患のコンピュータ診断において重要な役割を担っている。 先進的なアルゴリズムの中で、深層学習に基づくアプローチは、組織像における意味組織分割を含む複数のタスクにおいて優れた性能を示してきた。 本研究では,畳み込みニューラルネットワーク (CNN) と視覚変換器 (ViT) のセマンティックセグメンテーション性能向上のための統合二重エンコーダモデルにおける注目駆動型特徴融合に基づく新しいアプローチを提案する。 2つの公開データセットで評価したところ、我々のモデルはGCPSデータセットで76.79%/86.87%、PUMAデータセットで64.93%/76.60%、最先端のベンチマークとベースラインベンチマークで上回った。 私たちのメソッドの実装はGitHubリポジトリで公開されています。

関連論文リスト

• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Image Segmentation: Inducing graph-based learning [4.499833362998488]
  本研究では,グラフニューラルネットワーク(GNN)の可能性を探り,多様な画像モダリティにまたがるセマンティックセグメンテーションを強化する。 GNNは、画像特徴のグラフ表現の構築と操作により、画像領域間の関係を明示的にモデル化する。 本分析は,多様なセグメンテーション課題に対処するGNNの汎用性を実証し,様々なアプリケーションにおけるセグメンテーション精度向上の可能性を強調した。
  論文  参考訳（メタデータ） (2025-01-07T13:09:44Z)
• UnSeGArmaNet: Unsupervised Image Segmentation using Graph Neural Networks with Convolutional ARMA Filters [10.940349832919699]
  事前学習したViTを用いた教師なしセグメンテーションフレームワークを提案する。 画像内に固有のグラフ構造を利用することにより,セグメント化における顕著な性能を実現する。 提案手法は,ベンチマーク画像セグメンテーションデータセット上での最先端性能(教師付き手法に匹敵する)を提供する。
  論文  参考訳（メタデータ） (2024-10-08T15:10:09Z)
• 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)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• A generalizable approach based on U-Net model for automatic Intra retinal cyst segmentation in SD-OCT images [1.6114012813668928]
  異なるベンダーにまたがる網膜内嚢胞分節に対する新しいU-Netベースのアプローチを提案する。 最初のステップでは、データを受信する際のネットワーク制限の一部を克服する方法で、その情報をネットワークに注入する。 そして次のステップでは、標準U-Netアーキテクチャのエンコーダとデコーダの接続モジュールを導入しました。
  論文  参考訳（メタデータ） (2022-02-01T15:23:00Z)
• Automatic Foot Ulcer segmentation Using an Ensemble of Convolutional Neural Networks [3.037637906402173]
  本稿では,2つのエンコーダデコーダに基づくCNNモデル,すなわちLinkNetとUNetに基づくアンサンブルアプローチを提案する。 提案手法は,最新データに基づくDiceスコアを92.07%,88.80%とした。
  論文  参考訳（メタデータ） (2021-09-03T09:55:04Z)
• Towards a Computed-Aided Diagnosis System in Colonoscopy: Automatic Polyp Segmentation Using Convolution Neural Networks [10.930181796935734]
  大腸内視鏡およびカプセル内視鏡画像における病変の認識のための深層学習フレームワークを提案する。 本研究では, SfS と RGB の新規な組み合わせを提案するとともに, FCN をポリップセグメンテーションに用いた最初の研究について述べる。
  論文  参考訳（メタデータ） (2021-01-15T10:08:53Z)
• 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)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)

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。