論文の概要: WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images
- arxiv url: http://arxiv.org/abs/2603.03749v1
- Date: Wed, 04 Mar 2026 05:41:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-05 21:29:15.191173
- Title: WSI-INR: Implicit Neural Representations for Lesion Segmentation in Whole-Slide Images
- Title（参考訳）: WSI-INR:全スライディング画像における病変分割のための暗黙的ニューラル表現
- Authors: Yunheng Wu, Wenqi Huang, Liangyi Wang, Masahiro Oda, Yuichiro Hayashi, Daniel Rueckert, Kensaku Mori,
- Abstract要約: 完全スライディング画像(WSI)は, 臨床診断において, 正確な病変分割が重要である計算病理学の根幹である。
既存の方法はWSIを個別のパッチに分割し、空間的連続性を妨害し、多解像度ビューを独立したサンプルとして扱う。
Inlicit Neural Representation (INR) に基づくパッチフリーフレームワーク WSI-INR を提案する。
WSI-INRは、WSIを組織意味論的な特徴に直接空間座標をマッピングする連続的な暗黙関数としてモデル化し、スライド全体にわたって固有の空間情報を保存しながらセグメンテーション結果を出力する。
- 参考スコア（独自算出の注目度）: 18.13897875757054
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Whole-slide images (WSIs) are fundamental for computational pathology, where accurate lesion segmentation is critical for clinical decision making. Existing methods partition WSIs into discrete patches, disrupting spatial continuity and treating multi-resolution views as independent samples, which leads to spatially fragmented segmentation and reduced robustness to resolution variations. To address the issues, we propose WSI-INR, a novel patch-free framework based on Implicit Neural Representations (INRs). WSI-INR models the WSI as a continuous implicit function mapping spatial coordinates directly to tissue semantics features, outputting segmentation results while preserving intrinsic spatial information across the entire slide. In the WSI-INR, we incorporate multi-resolution hash grid encoding to regard different resolution levels as varying sampling densities of the same continuous tissue, achieving a consistent feature representation across resolutions. In addition, by jointly training a shared INR decoder, WSI-INR can capture general priors across different cases. Experimental results showed that WSI-INR maintains robust segmentation performance across resolutions; at Base/4, our resolution-specific optimization improves Dice score by +26.11%, while U-Net and TransUNet decrease by 54.28% and 36.18%, respectively. Crucially, this work enables INRs to segment highly heterogeneous pathological lesions beyond structurally consistent anatomical tissues, offering a fresh perspective for pathological analysis.
- Abstract（参考訳）: 完全スライディング画像(WSI)は, 臨床診断において, 正確な病変分割が重要である計算病理学の根幹である。
既存の方法はWSIを個別のパッチに分割し、空間的連続性を破壊し、多解像度ビューを独立したサンプルとして扱う。
この問題に対処するため,Implicit Neural Representations (INR) に基づいたパッチフリーフレームワーク WSI-INR を提案する。
WSI-INRは、WSIを組織意味論的な特徴に直接空間座標をマッピングする連続的な暗黙関数としてモデル化し、スライド全体にわたって固有の空間情報を保存しながらセグメンテーション結果を出力する。
WSI-INRでは、異なる解像度レベルを同一組織のサンプリング密度の変化と見なすために、多重解像度ハッシュグリッドを符号化し、解像度をまたいだ一貫した特徴表現を実現する。
さらに、共有INRデコーダを共同でトレーニングすることで、WSI-INRはさまざまなケースで一般的な事前情報をキャプチャすることができる。
Base/4ではDiceのスコアが+26.11%向上し、U-NetとTransUNetはそれぞれ54.28%、36.18%低下した。
この研究により、INRは構造的に一貫した解剖学的組織を超えて高度に異質な病理病変を分断することができ、病理学的解析の新たな視点を提供することができる。
関連論文リスト
- Resolution-Independent Neural Operators for Multi-Rate Sparse-View CT [67.14700058302016]
深層学習手法は高忠実度再構成を実現するが、しばしば固定された取得設定に過度に適合する。
本稿では,連続関数空間に拡張したCT再構成フレームワークであるComputed Tomography Neural Operator (CTO)を提案する。
CTOは一貫性のあるマルチサンプリングレートとクロスレゾリューションのパフォーマンスを実現している。
論文 参考訳（メタデータ） (2025-12-13T08:31:46Z) - Nexus-INR: Diverse Knowledge-guided Arbitrary-Scale Multimodal Medical Image Super-Resolution [14.992795611397579]
任意分解能超解像は、多様な空間分解能に適応することにより、医用画像解析に重要な柔軟性を提供する。
従来のCNNベースの手法は、基本的にARSRには適さない。
高品質で適応性のある医用画像の超高解像度化を実現するために,様々な情報と下流タスクを利用する多言語知識誘導ARSRフレームワークであるNexus-INRを提案する。
論文 参考訳（メタデータ） (2025-08-05T04:44:35Z) - Minimal High-Resolution Patches Are Sufficient for Whole Slide Image Representation via Cascaded Dual-Scale Reconstruction [13.897013242536849]
全スライディング画像(WSI)解析は、ギガピクセルスケールとわずかに分散した診断領域のため、依然として困難である。
本稿では,WSIあたりの平均9つの高解像度パッチだけが,スライドレベルの堅牢な表現に十分であることを示すカスケードデュアルスケール再構築フレームワークを提案する。
論文 参考訳（メタデータ） (2025-08-03T08:01:30Z) - MAISY: Motion-Aware Image SYnthesis for Medical Image Motion Correction [11.150364980770675]
本研究では、まず動きを特徴付ける動き認識画像合成法(MAISY)を提案する。
胸部CTおよび頭部CTを用いた実験では、我々のモデルは最先端のモデルよりも優れていた。
論文 参考訳（メタデータ） (2025-05-07T03:44:28Z) - A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
様々な計測アンサンプパターンと画像解像度に頑健な統合MRI再構成モデルを提案する。
我々のモデルは、拡散法よりも600$times$高速な推論で、最先端CNN(End-to-End VarNet)の4dBでSSIMを11%改善し、PSNRを4dB改善する。
論文 参考訳（メタデータ） (2024-10-05T20:03:57Z) - CycleINR: Cycle Implicit Neural Representation for Arbitrary-Scale Volumetric Super-Resolution of Medical Data [19.085329423308938]
CycleINRは、3次元医療データの超高解像度化のための新しい拡張インプリシトニューラルネットワーク表現モデルである。
そこで我々は,Slice-wise Noise Level Inconsistency (SNLI) を新たに導入し,Slice-wise noise Level inconsistency (SNLI) を定量的に評価する。
論文 参考訳（メタデータ） (2024-04-07T08:48:01Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。
半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z) - Maximum Mean Discrepancy Kernels for Predictive and Prognostic Modeling
of Whole Slide Images [1.418033127602866]
コンピュータ病理学では、患者から採取したデジタルスキャンされた組織サンプルの全体スライド画像(WSI)は、サイズが複数ギガピクセルである。
カーネル最大化平均離散性(MMD)分析に基づく新しい戦略を,WSI間のペアの類似性を決定するために検討する。
この研究は、計算病理学における予測的および予測的タスクにWSIレベルのカーネルを適用するためのさらなる道を開くと信じている。
論文 参考訳（メタデータ） (2023-01-23T18:47:41Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z)
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。