論文の概要: RamanSeg: Interpretability-driven Deep Learning on Raman Spectra for Cancer Diagnosis

• arxiv url: http://arxiv.org/abs/2602.18119v1
• Date: Fri, 20 Feb 2026 10:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.294352
• Title: RamanSeg: Interpretability-driven Deep Learning on Raman Spectra for Cancer Diagnosis
• Title（参考訳）: RamanSeg: 癌診断のためのRaman Spectraの解釈可能性駆動型ディープラーニング
• Authors: Chris Tomy, Mo Vali, David Pertzborn, Tammam Alamatouri, Anna Mühlig, Orlando Guntinas-Lichius, Anna Xylander, Eric Michele Fantuzzi, Matteo Negro, Francesco Crisafi, Pietro Lio, Tiago Azevedo,
• Abstract要約: 癌診断のための現在の金の基準である病理組織学は、化学染色後の組織サンプルを手動で検査する。 腫瘍アノテーションと整合した空間ラマンスペクトルの新たなデータセットを用いてセグメンテーションモデルを訓練し,前景Diceスコアの80.9%を達成した。 本稿では,RamanSegと呼ばれる新しいプロトタイプベースアーキテクチャを提案する。RamanSegは,トレーニングセットの発見領域に基づいて画素を分類し,セグメンテーションマスクを生成する。
• 参考スコア（独自算出の注目度）: 7.438726554579399
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Histopathology, the current gold standard for cancer diagnosis, involves the manual examination of tissue samples after chemical staining, a time-consuming process requiring expert analysis. Raman spectroscopy is an alternative, stain-free method of extracting information from samples. Using nnU-Net, we trained a segmentation model on a novel dataset of spatial Raman spectra aligned with tumour annotations, achieving a mean foreground Dice score of 80.9%, surpassing previous work. Furthermore, we propose a novel, interpretable, prototype-based architecture called RamanSeg. RamanSeg classifies pixels based on discovered regions of the training set, generating a segmentation mask. Two variants of RamanSeg allow a trade-off between interpretability and performance: one with prototype projection and another projection-free version. The projection-free RamanSeg outperformed a U-Net baseline with a mean foreground Dice score of 67.3%, offering a meaningful improvement over a black-box training approach.
• Abstract（参考訳）: 現在のがん診断のための金の標準である病理組織学では、化学染色後の組織サンプルを手動で検査するが、これは専門的な分析を必要とする時間を要するプロセスである。 ラマン分光法は、サンプルから情報を抽出する代替の無染色法である。 nnU-Netを用いて,腫瘍アノテーションと整合した空間ラマンスペクトルの新たなデータセットを用いたセグメンテーションモデルを訓練し,前景Diceスコア80.9%を達成し,過去の研究を上回った。 さらに,RamanSegと呼ばれる新しい,解釈可能なプロトタイプベースアーキテクチャを提案する。 RamanSegはトレーニングセットの発見領域に基づいてピクセルを分類し、セグメンテーションマスクを生成する。 RamanSegの2つの変種は、解釈可能性と性能のトレードオフを可能にしている。 プロジェクションフリーのRamanSegは、平均フォアグラウンドDiceスコア67.3%のU-Netベースラインを上回り、ブラックボックストレーニングアプローチよりも有意義な改善をもたらした。

関連論文リスト

• Zero-shot Segmentation of Skin Conditions: Erythema with Edit-Friendly Inversion [0.27624021966289597]
  本研究は, 拡散モデルにおける編集フレンドリーな逆転を用いたエロテマ(皮膚の赤み)の検出のためのゼロショット画像分割フレームワークを提案する。 この方法は、生成的編集により、エリスマのない同一患者の参照画像を合成し、これらの参照を元の画像と正確に整合させる。
  論文  参考訳（メタデータ） (2025-08-02T12:00:35Z)
• A Self-supervised Learning Method for Raman Spectroscopy based on Masked Autoencoders [3.9517125314802306]
  SMAE と呼ばれる Masked AutoEncoder に基づくラマン分光の自己教師型学習パラダイムを提案する。 SMAEは、事前トレーニング中にスペクトルアノテーションを必要としない。ランダムなマスキングを行い、スペクトル情報を再構成することにより、本質的なスペクトル特徴を学習する。
  論文  参考訳（メタデータ） (2025-04-21T10:44:06Z)
• 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)
• A Graph-Based Framework for Interpretable Whole Slide Image Analysis [86.37618055724441]
  我々は,全スライディング画像を生物学的にインフォームドされたグラフ表現に変換するフレームワークを開発した。 我々のアプローチは、任意の格子ではなく、自然構造を尊重する組織領域からグラフノードを構築する。 がんのステージングと生存予測の課題に強いパフォーマンスを示す。
  論文  参考訳（メタデータ） (2025-03-14T20:15:04Z)
• Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
  本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。 ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。 本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
  論文  参考訳（メタデータ） (2024-08-19T15:04:42Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Surface-Enhanced Raman Spectroscopy and Transfer Learning Toward Accurate Reconstruction of the Surgical Zone [0.9507070656654631]
  我々は、健康な組織に埋め込まれた腫瘍の位置と境界を確実に特定できるロボットラマンシステムを開発した。 我々は10.2分で30×60mmの外科的部位を再建し,98.2%の精度でファントムの特徴を保存した。
  論文  参考訳（メタデータ） (2024-01-16T20:47:19Z)
• 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)
• RamanNet: A generalized neural network architecture for Raman Spectrum Analysis [4.670045009583903]
  ラマン分光法は分子の振動プロファイルを提供し、異なる種類の物質を識別するために用いられる。 近年のRaman Spectraデータ量の増加にもかかわらず、Raman Spectra分析のための一般化された機械学習手法の開発には大きな努力が払われていない。 既存の手法を検証、実験、評価し、現在の逐次モデルも従来の機械学習モデルも、Ramanスペクトルの分析に十分満足できないと推測する。
  論文  参考訳（メタデータ） (2022-01-20T23:15:25Z)
• NeRF in detail: Learning to sample for view synthesis [104.75126790300735]
  ニューラルレイディアンス場(NeRF)法は目覚ましい新しいビュー合成を実証している。 この作業では、バニラ粗大なアプローチの明確な制限に対処します -- パフォーマンスに基づいており、手元にあるタスクのエンドツーエンドをトレーニングしていません。 我々は、サンプルの提案と、そのネットワークにおける重要性を学習し、そのニューラルネットワークアーキテクチャに対する複数の代替案を検討し比較する、微分可能なモジュールを導入する。
  論文  参考訳（メタデータ） (2021-06-09T17:59:10Z)

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。