論文の概要: NucEval: A Robust Evaluation Framework for Nuclear Instance Segmentation

• arxiv url: http://arxiv.org/abs/2605.03144v1
• Date: Mon, 04 May 2026 20:33:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-06 19:35:43.645539
• Title: NucEval: A Robust Evaluation Framework for Nuclear Instance Segmentation
• Title（参考訳）: NucEval: 原子力インスタンスセグメンテーションのためのロバストな評価フレームワーク
• Authors: Amirreza Mahbod, Ramona Woitek, Jeanne Shen,
• Abstract要約: 核インスタンスセグメンテーションは、計算病理学の基本的な課題である。 本研究では,核インスタンスのセグメンテーション評価に関連する4つの重要な課題を同定する。 提案手法は,曖昧な領域の処理,正規化のスコア化,重複インスタンスのオーバラップ,境界不確実性などの修正を,NucEvalと呼ばれる統一フレームワークに統合する。
• 参考スコア（独自算出の注目度）: 0.9955922799837783
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In computational pathology, nuclear instance segmentation is a fundamental task with many downstream clinical applications. With the advent of deep learning, many approaches, including convolutional neural networks (CNNs) and vision transformers (ViTs), have been proposed for this task, along with both machine learning-based and non-machine learning-based pre- and post-processing techniques to further boost performance. However, one fundamental aspect that has received less attention is the evaluation pipeline. In this study, we identify four key issues associated with nuclear instance segmentation evaluation and propose corresponding solutions. Our proposed modifications, namely handling vague regions, score normalization, overlapping instances, and border uncertainty, are integrated into a unified framework called NucEval, which enables robust evaluation of nuclear instance segmentation. We evaluate this pipeline using the NuInsSeg dataset, which provides unique characteristics that make it particularly suitable for this study, as well as two additional external datasets, with three CNN- and ViT-based nuclear instance segmentation models, to demonstrate the impact of these modifications on instance segmentation metrics. The code, along with complete guidelines and illustrative examples, is publicly available at: https://github.com/masih4/nuc_eval.
• Abstract（参考訳）: 計算病理学において、核インスタンスセグメンテーションは多くの下流臨床応用において基本的な課題である。 ディープラーニングの出現に伴い、畳み込みニューラルネットワーク(CNN)やビジョントランスフォーマー(ViT)を含む多くのアプローチが提案され、機械学習ベースと非機械学習ベースの前処理と後処理技術の両方がパフォーマンスをさらに向上する。 しかし、あまり注目されなかった基本的な側面は、評価パイプラインである。 本研究では,核インスタンスのセグメンテーション評価に関連する4つの重要な問題を特定し,対応する解を提案する。 提案手法は, 曖昧な領域の処理, スコア正規化, 重複インスタンス, 境界不確実性を両立させ, 核インスタンスセグメンテーションの堅牢な評価を可能にする, NucEval と呼ばれる統一フレームワークに統合する。 我々は、このパイプラインをNuInsSegデータセットを用いて評価し、この研究に特に好適な特徴を提供するとともに、3つのCNNおよびViTベースの核インスタンスセグメンテーションモデルを持つ2つの外部データセットを使用して、これらの修正がインスタンスセグメンテーションメトリクスに与える影響を実証する。 コードは完全なガイドラインとイラストレーションの例とともに、https://github.com/masih4/nuc_eval.comで公開されている。

関連論文リスト

• NucFuseRank: Dataset Fusion and Performance Ranking for Nuclei Instance Segmentation [0.9453555561427657]
  ヘマトキシリンおよびエオシン(H&E)染色画像における核のインスタンスセグメンテーションは、自動組織像解析において重要な役割を担っている。 この分野でのほとんどの研究は、新しいセグメンテーションアルゴリズムの開発と、限定された任意の選択されたパブリックデータセット上でそれらをベンチマークすることに焦点を当てている。 我々は,H&E-Stained Images for nuclear instance segmentationを手動でアノテートして公開し,それらを統一的な入力およびアノテーション形式に標準化した。
  論文  参考訳（メタデータ） (2026-01-27T22:45:48Z)
• Supervise Less, See More: Training-free Nuclear Instance Segmentation with Prototype-Guided Prompting [53.799446807827714]
  核インスタンスセグメンテーションのための完全トレーニングおよびアノテーションなしプロンプトフレームワークであるSPROUTを紹介する。 SPROUTは、スライド固有の参照プロトタイプを構築するために、ヒストロジーインフォームドプリエントを利用する。 前景と背景の特徴は正および負の点のプロンプトに変換され、Segment Anything Model (SAM) は正確な核線を生成できる。
  論文  参考訳（メタデータ） (2025-11-25T05:58:33Z)
• Instance-Aware Robust Consistency Regularization for Semi-Supervised Nuclei Instance Segmentation [53.94176748542936]
  本稿では、インスタンスレベルの正確な核分割のためのインスタンス対応ロバスト整合性正規化ネットワーク(IRCR-Net)を提案する。 病理画像に核形態学的な先行知識を取り入れ,これらの先行知識を用いてラベルのないデータから生成された擬似ラベルの品質を評価する。
  論文  参考訳（メタデータ） (2025-10-10T12:32:32Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Keep It Accurate and Robust: An Enhanced Nuclei Analysis Framework [18.07080933081179]
  限られたデータセットの変動から生じる問題に対処する新しい枠組みを提案する。 我々は、核組成予測のための第1位を含む、公開ベンチマークで最先端の結果を得る。 本研究は、原子核解析の最先端化に向けた改良されたフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-03-04T06:41:40Z)
• 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)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
  本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。 提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。 公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
  論文  参考訳（メタデータ） (2020-07-22T03:37:14Z)
• Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
  大量の核が混在しているため、機械学習モデルはうまく機能しない。 我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
  論文  参考訳（メタデータ） (2020-06-04T08:26:38Z)

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。