論文の概要: CORE - A Cell-Level Coarse-to-Fine Image Registration Engine for Multi-stain Image Alignment
- arxiv url: http://arxiv.org/abs/2511.03826v1
- Date: Wed, 05 Nov 2025 19:47:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-07 20:17:53.201425
- Title: CORE - A Cell-Level Coarse-to-Fine Image Registration Engine for Multi-stain Image Alignment
- Title（参考訳）: CORE - 多段階画像アライメントのためのセルレベル粗面画像登録エンジン
- Authors: Esha Sadia Nasir, Behnaz Elhaminia, Mark Eastwood, Catherine King, Owen Cain, Lorraine Harper, Paul Moss, Dimitrios Chanouzas, David Snead, Nasir Rajpoot, Adam Shephard, Shan E Ahmed Raza,
- Abstract要約: COREは、多様なマルチモーダル全スライディング画像(WSI)データセット間の正確な核レベル登録のための粗大なフレームワークである。
発光顕微鏡および免疫蛍光顕微鏡WSIの一般性,精度,ロバスト性の観点から,COREは現在の最先端手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 0.3010928327681199
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate and efficient registration of whole slide images (WSIs) is essential for high-resolution, nuclei-level analysis in multi-stained tissue slides. We propose a novel coarse-to-fine framework CORE for accurate nuclei-level registration across diverse multimodal whole-slide image (WSI) datasets. The coarse registration stage leverages prompt-based tissue mask extraction to effectively filter out artefacts and non-tissue regions, followed by global alignment using tissue morphology and ac- celerated dense feature matching with a pre-trained feature extractor. From the coarsely aligned slides, nuclei centroids are detected and subjected to fine-grained rigid registration using a custom, shape-aware point-set registration model. Finally, non-rigid alignment at the cellular level is achieved by estimating a non-linear dis- placement field using Coherent Point Drift (CPD). Our approach benefits from automatically generated nuclei that enhance the accuracy of deformable registra- tion and ensure precise nuclei-level correspondence across modalities. The pro- posed model is evaluated on three publicly available WSI registration datasets, and two private datasets. We show that CORE outperforms current state-of-the-art methods in terms of generalisability, precision, and robustness in bright-field and immunofluorescence microscopy WSIs
- Abstract（参考訳）: 多孔組織スライドの高分解能, 核レベル解析には, 全スライド画像(WSI)の高精度かつ効率的な登録が不可欠である。
多様なマルチモーダル全スライディング画像(WSI)データセット間で正確な核レベル登録を行うための,新しい粗粒度フレームワークCOREを提案する。
粗い登録段階は、プロンプトベースの組織マスク抽出を利用して、アーティファクト及び非ティパクト領域を効果的にフィルタリングし、次いで、組織形態と、事前訓練された特徴抽出器と一致するc促進された高密度特徴をグローバルアライメントする。
粗い配向スライドから、カスタムな形状認識点集合登録モデルを用いて、核セントロイドを検出し、きめ細かい剛性登録を行う。
最後に、コヒーレント・ポイント・ドリフト(CPD)を用いて、非線形の非リグイド配置場を推定することにより、細胞レベルでの非リグイドアライメントを実現する。
我々のアプローチは、変形可能なレジストライオンの精度を高め、モダリティ間の正確な核レベル対応を確実にする自動生成核の恩恵を受ける。
プロポーズモデルは、公開可能な3つのWSI登録データセットと2つのプライベートデータセットで評価される。
発光顕微鏡および免疫蛍光顕微鏡WSIの一般性、精度、ロバスト性の観点から、COREは現在の最先端手法よりも優れていることを示す。
関連論文リスト
- AHDMIL: Asymmetric Hierarchical Distillation Multi-Instance Learning for Fast and Accurate Whole-Slide Image Classification [51.525891360380285]
AHDMILは非対称な階層的蒸留マルチインスタンス学習フレームワークである。
2段階のトレーニングプロセスを通じて、無関係なパッチを排除します。
分類性能と推論速度の両方において、従来の最先端手法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-08-07T07:47:16Z) - HieraEdgeNet: A Multi-Scale Edge-Enhanced Framework for Automated Pollen Recognition [10.159338629617919]
自動花粉認識のためのマルチスケールエッジエンハンスメントフレームワークであるHieraEdgeNetを紹介する。
フレームワークの中核となる革新は3つの相乗的モジュールの導入である。
大規模なデータセットでは、HieraEdgeNetは平均平均精度(mAP@.5)が0.9501に達し、最先端のベースラインモデルを大幅に上回っている。
論文 参考訳（メタデータ） (2025-06-09T11:03:31Z) - Enhanced Tuberculosis Bacilli Detection using Attention-Residual U-Net and Ensemble Classification [0.0]
Mycobacterium tuberculosisによって引き起こされた結核は、依然として重要な世界的な健康問題であり、タイムリーな診断と治療を必要としている。
蛍光顕微鏡スミア画像からの結核菌の検出法は, 自動化が低く, セグメンテーション性能が不十分で, 分類精度が限られている。
本稿では,セグメント化のためのディープラーニングと分類のためのアンサンブルモデルを組み合わせた,効率的なハイブリッド手法を提案する。
論文 参考訳（メタデータ） (2025-01-07T05:21:13Z) - Nuclei-Location Based Point Set Registration of Multi-Stained Whole Slide Images [0.452624578758371]
Whole Slide Images (WSIs) は、細胞レベルで組織構造を研究するための特別な詳細を提供する。
腫瘍マイクロ環境(TME)を様々なタンパク質バイオマーカーや細胞サブタイプの文脈で研究するためには、多段階WSIを用いた特徴の分析と登録がしばしば必要である。
従来の登録法は主に地球規模の剛性/非剛性登録に重点を置いているが、核レベルで複雑な組織変形を伴うスライドの整列に苦慮している。
本稿では,マルチステンド WSI の整合化のための核配置に基づく点集合登録手法を用いた局所レベル非剛性登録に焦点を当てた。
論文 参考訳（メタデータ） (2024-04-25T21:06:53Z) - RegWSI: Whole Slide Image Registration using Combined Deep Feature- and Intensity-Based Methods: Winner of the ACROBAT 2023 Challenge [1.7625447004432986]
デジタル病理学を専門とする科学コミュニティや病院では,堅牢で効率的かつ正確な登録方法が望まれている。
i) 深層学習と特徴に基づく初期アライメントアルゴリズムと(ii) 強度に基づく非厳密な登録からなる2段階のハイブリッド手法を提案する。
提案手法は特定のデータセットへの微調整を一切必要とせず,任意の組織タイプや染色に直接使用することができる。
論文 参考訳（メタデータ） (2024-04-19T16:19:30Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳（メタデータ） (2024-02-27T06:32:56Z) - Recurrence With Correlation Network for Medical Image Registration [66.63200823918429]
本稿では,医療画像登録ネットワークであるRecurrence with correlation Network (RWCNet)について述べる。
これらの特徴により、2つの画像登録データセットにおける医用画像登録精度が向上することが実証された。
論文 参考訳（メタデータ） (2023-02-05T02:41:46Z) - Real-Time Scene Text Detection with Differentiable Binarization and
Adaptive Scale Fusion [62.269219152425556]
セグメンテーションに基づくシーンテキスト検出手法はシーンテキスト検出分野において大きな注目を集めている。
本稿では,二項化処理をセグメンテーションネットワークに統合する分散二項化(DB)モジュールを提案する。
アダプティブ・スケール・フュージョン (ASF) モジュールは, 異なるスケールの特徴を適応的に融合させることにより, スケールのロバスト性を向上させる。
論文 参考訳（メタデータ） (2022-02-21T15:30:14Z) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳（メタデータ） (2020-05-05T11:08:26Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z)
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。