論文の概要: Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring

• arxiv url: http://arxiv.org/abs/2602.05420v1
• Date: Thu, 05 Feb 2026 08:05:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-06 18:49:08.831893
• Title: Disco: Densely-overlapping Cell Instance Segmentation via Adjacency-aware Collaborative Coloring
• Title（参考訳）: Disco:Adjacency-aware Collaborative Coloringによる高頻度重畳セルインスタンスセグメンテーション
• Authors: Rui Sun, Yiwen Yang, Kaiyu Guo, Chen Jiang, Dongli Xu, Zhaonan Liu, Tan Pan, Limei Han, Xue Jiang, Wu Wei, Yuan Cheng,
• Abstract要約: ほとんどの実世界のセルグラフは非二部体であり、奇長サイクル(前述の三角形)の頻度が高い。 本稿では,「分割と征服」の原則に基づく隣接認識フレームワークであるDiscoを提案する。
• 参考スコア（独自算出の注目度）: 26.869647299795318
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate cell instance segmentation is foundational for digital pathology analysis. Existing methods based on contour detection and distance mapping still face significant challenges in processing complex and dense cellular regions. Graph coloring-based methods provide a new paradigm for this task, yet the effectiveness of this paradigm in real-world scenarios with dense overlaps and complex topologies has not been verified. Addressing this issue, we release a large-scale dataset GBC-FS 2025, which contains highly complex and dense sub-cellular nuclear arrangements. We conduct the first systematic analysis of the chromatic properties of cell adjacency graphs across four diverse datasets and reveal an important discovery: most real-world cell graphs are non-bipartite, with a high prevalence of odd-length cycles (predominantly triangles). This makes simple 2-coloring theory insufficient for handling complex tissues, while higher-chromaticity models would cause representational redundancy and optimization difficulties. Building on this observation of complex real-world contexts, we propose Disco (Densely-overlapping Cell Instance Segmentation via Adjacency-aware COllaborative Coloring), an adjacency-aware framework based on the "divide and conquer" principle. It uniquely combines a data-driven topological labeling strategy with a constrained deep learning system to resolve complex adjacency conflicts. First, "Explicit Marking" strategy transforms the topological challenge into a learnable classification task by recursively decomposing the cell graph and isolating a "conflict set." Second, "Implicit Disambiguation" mechanism resolves ambiguities in conflict regions by enforcing feature dissimilarity between different instances, enabling the model to learn separable feature representations.
• Abstract（参考訳）: 正確な細胞インスタンスのセグメンテーションは、デジタル病理解析の基礎となる。 輪郭検出と距離マッピングに基づく既存の手法は、複雑で密度の高い細胞領域の処理において依然として大きな課題に直面している。 グラフカラー化に基づく手法はこのタスクの新しいパラダイムを提供するが、密な重なり合いと複雑なトポロジを持つ実世界のシナリオにおけるこのパラダイムの有効性は検証されていない。 この問題に対処するため,我々は,高度に複雑で高密度な細胞内核配列を含む大規模データセット GBC-FS 2025 をリリースする。 4つの異なるデータセットにまたがるセル隣接グラフの色特性を初めて体系的に解析し、重要な発見を明らかにする:ほとんどの実世界のセルグラフは非二分体であり、奇数周期(前述の三角形)の頻度が高い。 これにより、複雑な組織を扱うには単純な2色理論が不十分となり、高色度モデルは表現の冗長性と最適化の困難を引き起こす。 この複雑な実世界の文脈の観察に基づいて、我々は「分割と征服」の原理に基づく隣接認識フレームワークであるDisco (Adjacency-aware Collaborative Coloring)を提案する。 データ駆動型トポロジカルラベリング戦略と制約付きディープラーニングシステムを組み合わせて、複雑な隣接競合を解決する。 まず、「明示的マーキング」戦略は、トポロジ的課題を、セルグラフを再帰的に分解し、「衝突集合」を分離することによって、学習可能な分類タスクに変換する。 第二に、"Implicit Disambiguation"メカニズムは、異なるインスタンス間の特徴の相違を強制することにより、競合領域の曖昧さを解消し、モデルが分離可能な特徴表現を学習できるようにする。

関連論文リスト

• HTG-GCL: Leveraging Hierarchical Topological Granularity from Cellular Complexes for Graph Contrastive Learning [18.97546255767921]
  グラフの対比学習は、決定的トポロジ的パターンを共有する同じグラフの異なるビューを対比することにより、識別的意味的不変性を学習することを目的としている。 HTG-GCL(Hierarchical Topological Granularity Graph Contrastive Learning)は,同じグラフの変換を利用して,マルチスケールのリングベース細胞複合体を生成する新しいフレームワークである。
  論文  参考訳（メタデータ） (2025-11-30T09:09:42Z)
• GROVER: Graph-guided Representation of Omics and Vision with Expert Regulation for Adaptive Spatial Multi-omics Fusion [8.680469644745463]
  本稿では,適応型空間マルチオミクス融合のエキスパートレギュレーションによるオミとビジョンのグラフ誘導表現を提案する。 GROVERは空間マルチオミクスデータの適応的統合のための新しいフレームワークである。 GROVERは最先端のベースラインより優れていることを示す。
  論文  参考訳（メタデータ） (2025-11-13T06:20:37Z)
• scMRDR: A scalable and flexible framework for unpaired single-cell multi-omics data integration [53.683726781791385]
  単一セルマルチオミクス(ScMRDR)と呼ばれるスケーラブルでフレキシブルな生成フレームワークを導入する。 本手法は, バッチ補正, モダリティアライメント, 生体信号保存の観点から, ベンチマークデータセット上での優れた性能を実現する。
  論文  参考訳（メタデータ） (2025-10-28T21:28:39Z)
• CellCLAT: Preserving Topology and Trimming Redundancy in Self-Supervised Cellular Contrastive Learning [5.189647316609123]
  本稿では,情報冗長性を緩和しつつ,細胞複合体の制約に順応するように設計されたフレームワークを提案する。 CellCLATは、既存の自己教師付きグラフ学習手法よりも大幅に改善され、この分野における大きな試みとなっている。
  論文  参考訳（メタデータ） (2025-05-27T11:16:49Z)
• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Geometry Contrastive Learning on Heterogeneous Graphs [50.58523799455101]
  本稿では,幾何学コントラスト学習(Geometry Contrastive Learning, GCL)と呼ばれる,新しい自己指導型学習手法を提案する。 GCLはユークリッドと双曲的な視点からヘテロジニアスグラフを同時に見ることができ、リッチな意味論と複雑な構造をモデル化する能力の強い融合を目指している。 4つのベンチマークデータセットの大規模な実験は、提案手法が強いベースラインよりも優れていることを示している。
  論文  参考訳（メタデータ） (2022-06-25T03:54:53Z)
• Dist2Cycle: A Simplicial Neural Network for Homology Localization [66.15805004725809]
  単純複体は多方向順序関係を明示的にエンコードするグラフの高次元一般化と見なすことができる。 単体錯体の$k$-homological特徴によってパラメータ化された関数のグラフ畳み込みモデルを提案する。
  論文  参考訳（メタデータ） (2021-10-28T14:59:41Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• CellSegmenter: unsupervised representation learning and instance segmentation of modular images [0.0]
  本稿では,教師なし表現学習とインスタンスセグメンテーションタスクのための構造化された深層生成モデルとアモータイズ推論フレームワークを提案する。 提案した推論アルゴリズムは、再帰的なメカニズムなしで畳み込み並列化されている。 細胞核イメージングデータセットで得られたセグメンテーション結果を示し,高品質なセグメンテーションを実現するための手法の有効性を示した。
  論文  参考訳（メタデータ） (2020-11-25T02:10:58Z)

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。