論文の概要: NucFuseRank: Dataset Fusion and Performance Ranking for Nuclei Instance Segmentation

• arxiv url: http://arxiv.org/abs/2601.20104v1
• Date: Tue, 27 Jan 2026 22:45:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-29 15:46:06.687119
• Title: NucFuseRank: Dataset Fusion and Performance Ranking for Nuclei Instance Segmentation
• Title（参考訳）: NucFuseRank: Nucleiインスタンスセグメンテーションのためのデータセットのフュージョンとパフォーマンスランキング
• Authors: Nima Torbati, Anastasia Meshcheryakova, Ramona Woitek, Sepideh Hatamikia, Diana Mechtcheriakova, Amirreza Mahbod,
• Abstract要約: ヘマトキシリンおよびエオシン(H&E)染色画像における核のインスタンスセグメンテーションは、自動組織像解析において重要な役割を担っている。 この分野でのほとんどの研究は、新しいセグメンテーションアルゴリズムの開発と、限定された任意の選択されたパブリックデータセット上でそれらをベンチマークすることに焦点を当てている。 我々は,H&E-Stained Images for nuclear instance segmentationを手動でアノテートして公開し,それらを統一的な入力およびアノテーション形式に標準化した。
• 参考スコア（独自算出の注目度）: 0.9453555561427657
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nuclei instance segmentation in hematoxylin and eosin (H&E)-stained images plays an important role in automated histological image analysis, with various applications in downstream tasks. While several machine learning and deep learning approaches have been proposed for nuclei instance segmentation, most research in this field focuses on developing new segmentation algorithms and benchmarking them on a limited number of arbitrarily selected public datasets. In this work, rather than focusing on model development, we focused on the datasets used for this task. Based on an extensive literature review, we identified manually annotated, publicly available datasets of H&E-stained images for nuclei instance segmentation and standardized them into a unified input and annotation format. Using two state-of-the-art segmentation models, one based on convolutional neural networks (CNNs) and one based on a hybrid CNN and vision transformer architecture, we systematically evaluated and ranked these datasets based on their nuclei instance segmentation performance. Furthermore, we proposed a unified test set (NucFuse-test) for fair cross-dataset evaluation and a unified training set (NucFuse-train) for improved segmentation performance by merging images from multiple datasets. By evaluating and ranking the datasets, performing comprehensive analyses, generating fused datasets, conducting external validation, and making our implementation publicly available, we provided a new benchmark for training, testing, and evaluating nuclei instance segmentation models on H&E-stained histological images.
• Abstract（参考訳）: ヘマトキシリンおよびエオシン(H&E)含有画像における核インスタンスセグメンテーションは、下流タスクにおける様々な応用とともに、自動組織像解析において重要な役割を担っている。 核インスタンスセグメンテーションのための機械学習とディープラーニングのアプローチがいくつか提案されているが、この分野のほとんどの研究は、新しいセグメンテーションアルゴリズムを開発し、任意の選択されたパブリックデータセットの限られた数でそれらをベンチマークすることに焦点を当てている。 この作業では、モデル開発ではなく、このタスクに使用されるデータセットに焦点を当てました。 広範囲にわたる文献レビューに基づいて,我々は,H&Eが保持する核インスタンスのセグメンテーションのための,手動でアノテートされた公開データセットを特定し,それらを統一的な入力およびアノテーション形式に標準化した。 畳み込みニューラルネットワーク(CNN)とハイブリッドCNNとビジョントランスフォーマーアーキテクチャに基づく2つの最先端セグメンテーションモデルを用いて、これらのデータセットをそれらの核インスタンスセグメンテーション性能に基づいて体系的に評価し、評価した。 さらに、公平なデータセット評価のための統一テストセット(NucFuse-test)と、複数のデータセットからの画像をマージしてセグメンテーション性能を向上させるための統一トレーニングセット(NucFuse-train)を提案する。 データセットの評価,評価,総合解析,融合データセットの生成,外部検証の実施,実装の公開などにより,H&Eの組織画像上での核インスタンス分割モデルのトレーニング,テスト,評価を行うための新しいベンチマークを提供した。

関連論文リスト

• Towards Ground-truth-free Evaluation of Any Segmentation in Medical Images [22.36128130052757]
  本研究では,Segment Anything Model (SAM) が生成するセグメンテーションの質と,医療画像におけるその変種を評価するために,ゼロトラストフリー評価モデルを構築した。 この評価モデルは、入力画像と対応するセグメンテーション予測との一貫性と一貫性を解析することにより、セグメンテーション品質スコアを推定する。
  論文  参考訳（メタデータ） (2024-09-23T10:12:08Z)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization [0.674572634849505]
  核のインスタンスセグメンテーションは、幅広い臨床および研究応用において、基本的な役割を果たす。 ディープラーニング(DL)ベースのアプローチは、最高のパフォーマンスを提供するために示されています。 本稿では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2023-09-12T11:29:35Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• Dynamic Latent Separation for Deep Learning [67.62190501599176]
  機械学習の中核的な問題は、複雑なデータに対するモデル予測のための表現力のある潜在変数を学習することである。 本稿では,表現性を向上し,部分的解釈を提供し,特定のアプリケーションに限定されないアプローチを開発する。
  論文  参考訳（メタデータ） (2022-10-07T17:56:53Z)
• 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)
• Instance Segmentation of Unlabeled Modalities via Cyclic Segmentation GAN [27.936725483892076]
  本稿では,画像翻訳とインスタンスセグメンテーションを共同で行うCysic Generative Adrial Network(CySGAN)を提案する。 注記電子顕微鏡(en:Annotated electron microscopy, EM)画像とラベルなし拡張顕微鏡(en:Unlabeled expansion microscopy, ExM)データを用いて, ニューロンの3次元セグメンテーションの課題についてベンチマークを行った。
  論文  参考訳（メタデータ） (2022-04-06T20:46:39Z)
• Salient Objects in Clutter [130.63976772770368]
  本稿では,既存の正当性オブジェクト検出(SOD)データセットの重大な設計バイアスを特定し,対処する。 この設計バイアスは、既存のデータセットで評価した場合、最先端のSODモデルのパフォーマンスの飽和につながった。 我々は,新しい高品質データセットを提案し,前回のsaliencyベンチマークを更新する。
  論文  参考訳（メタデータ） (2021-05-07T03:49:26Z)

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。