論文の概要: Can We Go Beyond Visual Features? Neural Tissue Relation Modeling for Relational Graph Analysis in Non-Melanoma Skin Histology
- arxiv url: http://arxiv.org/abs/2512.06949v1
- Date: Sun, 07 Dec 2025 18:04:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-12-09 22:03:54.602871
- Title: Can We Go Beyond Visual Features? Neural Tissue Relation Modeling for Relational Graph Analysis in Non-Melanoma Skin Histology
- Title（参考訳）: 視覚的特徴を超えることができるか?-非メラノーマ皮膚組織学における関係グラフ解析のための神経組織関係モデリング
- Authors: Shravan Venkatraman, Muthu Subash Kavitha, Joe Dhanith P R, V Manikandarajan, Jia Wu,
- Abstract要約: 皮膚癌診断における組織像の分類には病理組織像の分画が不可欠である。
現在の畳み込みニューラルネットワーク(CNN)ベースのアプローチは、主に視覚的なテクスチャで動作する。
組織関係モデリング(NTRM)は,組織間の空間的および機能的関係をモデル化する,組織レベルのグラフニューラルネットワークでCNNを拡張する新しいフレームワークである。
- 参考スコア（独自算出の注目度）: 7.199970129045625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Histopathology image segmentation is essential for delineating tissue structures in skin cancer diagnostics, but modeling spatial context and inter-tissue relationships remains a challenge, especially in regions with overlapping or morphologically similar tissues. Current convolutional neural network (CNN)-based approaches operate primarily on visual texture, often treating tissues as independent regions and failing to encode biological context. To this end, we introduce Neural Tissue Relation Modeling (NTRM), a novel segmentation framework that augments CNNs with a tissue-level graph neural network to model spatial and functional relationships across tissue types. NTRM constructs a graph over predicted regions, propagates contextual information via message passing, and refines segmentation through spatial projection. Unlike prior methods, NTRM explicitly encodes inter-tissue dependencies, enabling structurally coherent predictions in boundary-dense zones. On the benchmark Histopathology Non-Melanoma Skin Cancer Segmentation Dataset, NTRM outperforms state-of-the-art methods, achieving a robust Dice similarity coefficient that is 4.9\% to 31.25\% higher than the best-performing models among the evaluated approaches. Our experiments indicate that relational modeling offers a principled path toward more context-aware and interpretable histological segmentation, compared to local receptive-field architectures that lack tissue-level structural awareness. Our code is available at https://github.com/shravan-18/NTRM.
- Abstract（参考訳）: 病理組織像の分類は皮膚がん診断における組織構造決定に不可欠であるが、特に重複または形態学的に類似した組織を持つ地域では、空間的文脈と組織間関係のモデル化が課題である。
現在の畳み込みニューラルネットワーク(CNN)ベースのアプローチは、主に視覚的なテクスチャに基づいており、しばしば組織を独立した領域として扱い、生物学的コンテキストを符号化することができない。
この目的のために我々は,組織間の空間的および機能的関係をモデル化するために,組織レベルのグラフニューラルネットワークを用いてCNNを拡張する新しいセグメンテーションフレームワークNTRMを導入する。
NTRMは予測された領域にグラフを構築し、メッセージパッシングを通じてコンテキスト情報を伝達し、空間射影を通してセグメンテーションを洗練する。
従来の方法とは異なり、NTRMは、境界線領域における構造的に一貫性のある予測を可能にするために、チップ間の依存関係を明示的に符号化している。
NTRMは、病理組織学的非メラノーマ皮膚がんセグメンテーションデータセットにおいて、最先端の手法よりも優れ、評価されたアプローチの中で最高のパフォーマンスモデルよりも4.9\%から31.25\%高いロバストなDice類似性係数を達成する。
本実験は,組織レベルの構造認識が欠如している局所受容野アーキテクチャと比較して,リレーショナルモデリングがよりコンテキスト認識と解釈可能な組織的セグメンテーションへの原則的経路を提供することを示す。
私たちのコードはhttps://github.com/shravan-18/NTRM.comから入手可能です。
関連論文リスト
- Spatiotemporal Graph Learning with Direct Volumetric Information Passing and Feature Enhancement [62.91536661584656]
本稿では,CeFeGNN(CeFeGNN)とCell-embeddedとFeature-enhanced Graph Neural Networkを学習用として提案する。
学習可能なセル属性を共通ノードエッジメッセージパッシングプロセスに埋め込むことで,地域特性の空間依存性をよりよく把握する。
各種PDEシステムと1つの実世界のデータセットを用いた実験により、CeFeGNNは他のベースラインと比較して優れた性能を発揮することが示された。
論文 参考訳（メタデータ） (2024-09-26T16:22:08Z) - Synthetic Data for Robust Stroke Segmentation [0.0]
ニューロイメージングにおける病変のセグメンテーションに対する現在のディープラーニングベースのアプローチは、高解像度の画像と広範囲な注釈付きデータに依存することが多い。
本稿では,脳卒中病変のセグメンテーションに適した新しい合成データフレームワークを提案する。
我々のアプローチは、正常組織と病理組織の両方にまたがるセグメンテーションを促進するために、健康なデータセットと脳卒中データセットからラベルマップでモデルを訓練する。
論文 参考訳（メタデータ） (2024-04-02T13:42:29Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳（メタデータ） (2023-07-24T13:39:21Z) - Heterogeneous graphs model spatial relationships between biological
entities for breast cancer diagnosis [1.943314771739382]
グラフニューラルネットワーク(GNN)は、画像内の空間的関係をコーディングすることで、有望なソリューションを提供する。
細胞と組織グラフの空間的および階層的関係を捉えるヘテロジニアスGNNを用いた新しい手法を提案する。
また,組織と細胞グラフの複雑な関係をモデル化するトランスフォーマーアーキテクチャとクロスアテンションベースネットワークの性能を比較した。
論文 参考訳（メタデータ） (2023-07-16T19:06:29Z) - TractGeoNet: A geometric deep learning framework for pointwise analysis
of tract microstructure to predict language assessment performance [66.43360974979386]
拡散磁気共鳴画像(dMRI)による回帰処理を行うための幾何学的深層学習フレームワークであるTractGeoNetを提案する。
回帰性能を向上させるために,新しい損失関数 Paired-Siamese Regression Los を提案する。
本手法の有効性を,2つの言語神経心理学的評価に対して予測することで評価した。
論文 参考訳（メタデータ） (2023-07-08T14:10:37Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳（メタデータ） (2022-03-31T02:45:24Z) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳（メタデータ） (2021-03-29T11:30:18Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - 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) - HACT-Net: A Hierarchical Cell-to-Tissue Graph Neural Network for
Histopathological Image Classification [11.051615198681565]
本稿では,組織の構造的描写を改善するために,新しい階層型細胞-組織グラフ(HACT)表現法を提案する。
低レベルの細胞グラフ、細胞形態と相互作用のキャプチャー、高レベルの組織グラフ、組織部分の形態と空間分布のキャプチャー、および細胞間階層で構成されている。
本手法は,H&E染色胸腺癌全体から注目される組織領域のアノテートについて検討した。
論文 参考訳（メタデータ） (2020-07-01T16:22:48Z)
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。