論文の概要: DeNuC: Decoupling Nuclei Detection and Classification in Histopathology

• arxiv url: http://arxiv.org/abs/2603.04240v1
• Date: Wed, 04 Mar 2026 16:23:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-05 21:29:15.397651
• Title: DeNuC: Decoupling Nuclei Detection and Classification in Histopathology
• Title（参考訳）: DeNuC: 病理組織における核検出と分類の分離
• Authors: Zijiang Yang, Chen Kuang, Dongmei Fu,
• Abstract要約: 病理基盤モデル(FM)は、幅広い病理像の表現と診断タスクにおいて強い性能を示した。 FMはNuclei Detection and Classification (NDC)において従来の特殊モデルに比べて性能上の優位性を示さないことを示す。 DeNuCは,Nucleiの検出と分類を分離することで,既存のボトルネックを克服する,シンプルで効果的な手法である。
• 参考スコア（独自算出の注目度）: 6.509310767559538
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology Foundation Models (FMs) have shown strong performance across a wide range of pathology image representation and diagnostic tasks. However, FMs do not exhibit the expected performance advantage over traditional specialized models in Nuclei Detection and Classification (NDC). In this work, we reveal that jointly optimizing nuclei detection and classification leads to severe representation degradation in FMs. Moreover, we identify that the substantial intrinsic disparity in task difficulty between nuclei detection and nuclei classification renders joint NDC optimization unnecessarily computationally burdensome for the detection stage. To address these challenges, we propose DeNuC, a simple yet effective method designed to break through existing bottlenecks by Decoupling Nuclei detection and Classification. DeNuC employs a lightweight model for accurate nuclei localization, subsequently leveraging a pathology FM to encode input images and query nucleus-specific features based on the detected coordinates for classification. Extensive experiments on three widely used benchmarks demonstrate that DeNuC effectively unlocks the representational potential of FMs for NDC and significantly outperforms state-of-the-art methods. Notably, DeNuC improves F1 scores by 4.2% and 3.6% (or higher) on the BRCAM2C and PUMA datasets, respectively, while using only 16% (or fewer) trainable parameters compared to other methods. Code is available at https://github.com/ZijiangY1116/DeNuC.
• Abstract（参考訳）: 病理基盤モデル(FM)は、幅広い病理像の表現と診断タスクにおいて強い性能を示した。 しかし、FMはNuclei Detection and Classification (NDC)において、従来の特殊モデルよりも期待された性能上の優位性を示していない。 そこで本研究では,核検出と分類を共同で最適化することで,FMの表現が著しく劣化することを明らかにする。 さらに、核検出と核分類のタスク難易度における本質的な相違が、検出段階に不要な計算上の負担を伴わない共同NDC最適化を実現することを確認した。 これらの課題に対処するために,Nucleiの検出と分類の分離によって既存のボトルネックを突破する,シンプルで効果的な方法であるDeNuCを提案する。 DeNuCは、正確な核局在化のための軽量モデルを採用し、その後、病理的FMを利用して、検出された座標に基づいて入力画像とクエリ核固有の特徴を符号化する。 広く使われている3つのベンチマークの大規模な実験により、DeNuCはNDCのFMの表現可能性を効果的に解き放ち、最先端の手法を著しく上回っている。 特に、DeNuCはBRCAM2CデータセットとPUMAデータセットのF1スコアを4.2%改善し、他の手法と比較してトレーニング可能なパラメータは16%(またはそれ以下)しか使用していない。 コードはhttps://github.com/ZijiangY1116/DeNuCで入手できる。

関連論文リスト

• MUSE: Multi-Scale Dense Self-Distillation for Nucleus Detection and Classification [37.60940265460864]
  MUSE(MUlti-scale denSE self-distillation)は病理組織学的NDCに適した自己教師型学習法である。 核となるのがNuLo (Nucleus-based Local self-distillation) であり、これは柔軟な局所的な自己蒸留を可能にする座標誘導機構である。 広く使用されている3つのベンチマークの実験では、MUSEが病理組織学NDCのコア課題に効果的に対処していることが示されている。
  論文  参考訳（メタデータ） (2025-11-07T11:40:26Z)
• Improved Brain Tumor Detection in MRI: Fuzzy Sigmoid Convolution in Deep Learning [5.350541719319564]
  ファジィシグモイド・コンボリューション(FSC)は、最上位モジュールと中間モジュールの2つの追加モジュールと共に導入された。 新たな畳み込み演算子がこのアプローチの中心であり、入力データの整合性を保ちながら受容場を効果的に拡張する。 この研究は、医用イメージング応用のための軽量で高性能なディープラーニングモデルを提供する。
  論文  参考訳（メタデータ） (2025-05-08T13:02:44Z)
• NucleiMix: Realistic Data Augmentation for Nuclei Instance Segmentation [2.6954348706500766]
  NucleiMixは、データセット内のレアタイプの核の数を増やすことで、核種の分布のバランスをとるように設計されている。 第1段階では、希少型核の周囲に類似した候補位置を特定し、希少型核を候補部位に挿入する。 第2フェーズでは、事前訓練された拡散モデルを用いて、レアタイプの核を新しい環境にシームレスに統合するプログレッシブな塗布戦略を採用している。
  論文  参考訳（メタデータ） (2024-10-22T04:03:36Z)
• Multiple Instance Ensembling For Paranasal Anomaly Classification In The Maxillary Sinus [46.1292414445895]
  副鼻腔奇形は幅広い形態学的特徴を持つ。 副鼻腔異常分類への現在のアプローチは、一度に1つの異常を特定することに制約されている。 3次元畳み込みニューラルネットワーク(CNN)を用いて正常上顎骨(MS)とMSをポリープや嚢胞で分類する可能性を検討した。
  論文  参考訳（メタデータ） (2023-03-31T09:23:27Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
  本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。 提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
  論文  参考訳（メタデータ） (2022-02-22T15:24:06Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。