論文の概要: Center-Aware Detection with Swin-based Co-DETR Framework for Cervical Cytology

• arxiv url: http://arxiv.org/abs/2604.02090v1
• Date: Thu, 02 Apr 2026 14:18:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-03 14:21:10.851549
• Title: Center-Aware Detection with Swin-based Co-DETR Framework for Cervical Cytology
• Title（参考訳）: Swin-based Co-DETR Framework を用いた頚椎細胞診のセンターアウェア検出
• Authors: Yan Kong, Yuan Yin, Hongan Chen, Yuqi Fang, Caifeng Shan,
• Abstract要約: RIVACervical Cytology Challengeでは,トラックBで1位,トラックAで2位を獲得した。 当社のアプローチでは,Co-DINOフレームワークをSwin-Largeバックボーンに統合して,堅牢なマルチスケール特徴抽出を実現する。
• 参考スコア（独自算出の注目度）: 18.319893370102694
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated analysis of Pap smear images is critical for cervical cancer screening but remains challenging due to dense cell distribution and complex morphology. In this paper, we present our winning solution for the RIVA Cervical Cytology Challenge, achieving 1st place in Track B and 2nd place in Track A. Our approach leverages a powerful baseline, integrating the Co-DINO framework with a Swin-Large backbone for robust multi-scale feature extraction. To address the dataset's unique fixed-size bounding box annotations, we formulate the detection task as a center-point prediction problem. Tailoring our approach to this formulation, we introduce a center-preserving data augmentation strategy and an analytical geometric box optimization to effectively absorb localization jitter. Finally, we apply track-specific loss tuning to adapt the loss weights for each task. Experiments demonstrate that our targeted optimizations improve detection performance, providing an effective pipeline for cytology image analysis. Our code is available at https://github.com/YanKong0408/Center-DETR.
• Abstract（参考訳）: Papスミア画像の自動解析は頸部がん検診において重要であるが, 細胞密度分布や複雑な形態が原因でいまだに困難である。 本稿では, RIVA Cervical Cytology Challengeにおいて, トラックBで1位, トラックAで2位を獲得し, 強力なベースラインを活用し, マルチスケール特徴抽出のためにCo-DINOフレームワークとSwin-Largeバックボーンを統合する。 データセットのユニークな固定サイズ境界ボックスアノテーションに対処するため,検出タスクを中心点予測問題として定式化する。 この定式化へのアプローチを整理し,局所化ジッタを効果的に吸収する中心保存データ拡張戦略と解析幾何学的ボックス最適化を導入する。 最後に、トラック固有の損失調整を適用し、各タスクに損失重みを適応させる。 実験により,対象とする最適化により検出性能が向上し,細胞診画像解析に有効なパイプラインが提供されることが示された。 私たちのコードはhttps://github.com/YanKong0408/Center-DETRで利用可能です。

関連論文リスト

• Circle of Willis Centerline Graphs: A Dataset and Baseline Algorithm [3.2534542702805953]
  ウィリスのサークル(英: Circle of Willis、略称:CoW)は、脳血管疾患に関係している脳の動脈の重要なネットワークである。 従来の骨格化技術は、しばしばCoWの複雑な幾何学のために信頼性の高い中心線を抽出するのに苦労する。 我々は、TopCoWデータセットから中心線グラフと形態計測特徴を抽出し、キュレートするためにシンニングベースのスケルトン化アルゴリズムを使用した。
  論文  参考訳（メタデータ） (2025-10-15T16:22:51Z)
• A Comparison of Deep Learning Methods for Cell Detection in Digital Cytology [1.607370483729741]
  Papanicolaou-stained cytological Whole Slide Images (WSIs) における細胞検出のためのDeep Learning (DL) 法の性能評価を行った。 市販のアルゴリズムとカスタム設計の検出器について検討し、2つのデータセットに適用する。 その結果、特に改良された完全畳み込み回帰ネットワーク(IFCRN)法は、検出精度と計算効率の両方の観点からセグメンテーションに基づく手法よりも優れていた。
  論文  参考訳（メタデータ） (2025-04-09T15:08:12Z)
• 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)
• 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)
• Geo-UNet: A Geometrically Constrained Neural Framework for Clinical-Grade Lumen Segmentation in Intravascular Ultrasound [7.760705377465734]
  UNetのような現在のセグメンテーションネットワークは、IVUSにおける臨床応用に必要な精度を欠いている。 そこで我々はGeo-UNetフレームワークを提案する。 静脈性IVUSデータセットに対する我々のフレームワークの有効性を,最先端モデルに対して示す。
  論文  参考訳（メタデータ） (2024-08-09T02:55:25Z)
• Revisiting Computer-Aided Tuberculosis Diagnosis [56.80999479735375]
  結核(TB)は世界的な健康上の脅威であり、毎年何百万人もの死者を出している。 深層学習を用いたコンピュータ支援結核診断 (CTD) は有望であるが, 限られたトレーニングデータによって進行が妨げられている。 結核X線(TBX11K)データセットは11,200個の胸部X線(CXR)画像とそれに対応するTB領域のバウンディングボックスアノテーションを含む。 このデータセットは、高品質なCTDのための洗練された検出器のトレーニングを可能にする。
  論文  参考訳（メタデータ） (2023-07-06T08:27:48Z)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• Cervical Cytology Classification Using PCA & GWO Enhanced Deep Features Selection [1.990876596716716]
  子宮頸癌は世界でも最も致命的かつ一般的な疾患の1つである。 ディープラーニングと特徴選択を利用した完全自動化フレームワークを提案する。 このフレームワークは3つの公開ベンチマークデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-06-09T08:57:22Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-04-05T15:50:16Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)

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。