論文の概要: AMN: An Adaptive Multi-Scale Fusion Network with Boundary and Uncertainty Modeling for Nuclei Segmentation

• arxiv url: http://arxiv.org/abs/2606.07633v1
• Date: Sun, 31 May 2026 06:46:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-09 14:42:05.16628
• Title: AMN: An Adaptive Multi-Scale Fusion Network with Boundary and Uncertainty Modeling for Nuclei Segmentation
• Title（参考訳）: AMN:Nucleiセグメンテーションのための境界・不確実性モデリング付き適応型マルチスケール核融合ネットワーク
• Authors: Spoorthi M, Suja Palaniswamy,
• Abstract要約: 本稿では,Swin TransformerとResNet-50の機能ピラミッドを併用したデュアルエンコーダセグメンテーションフレームワークAMNを提案する。 AMNは、クラス重み付き焦点損失、正画素強調による境界認識損失、および過度な不確実性予測を抑制する新しい不確実性修飾分類項を組み合わせた多目的損失を訓練する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Accurate classification of nuclei subtypes in histopathology images is critical for downstream tasks including tumor grading, immune infiltrate quantification, and prognosis prediction. Existing approaches rely on either convolutional or transformer-based encoders in isolation, limiting their ability to simultaneously capture fine-grained local texture and long-range spatial context. We present AMN (Adaptive Multi-Scale Nuclei Network), a dual-encoder segmentation framework that jointly leverages a Swin Transformer and a ResNet-50 feature pyramid, fused via a learned per-channel gating mechanism that dynamically weighs each encoder's contribution at every scale. AMN is trained with a multi-objective loss combining class-weighted focal loss, boundary-aware loss with positive-pixel emphasis, and a novel uncertainty-modulated classification term that suppresses overconfident erroneous predictions. Evaluated on the CoNIC benchmark across seven nuclei classes, AMN achieves a mean Dice of 0.82 and mean F1 of 0.68, with an F1 of 0.67 on the diagnostically challenging lymphocyte class. AMN outperforms eight baseline models spanning pure-CNN, pure-transformer, and recent hybrid architectures: U-Net, ResU-Net, DeepLabV3+, SegNet, ViT-Small, HmsU-Net, ConvFormer-UNet, and BEFUnet. Cross-dataset evaluation on MoNuSeg demonstrates strong generalization without retraining and validating the domain robustness of the learned representations.
• Abstract（参考訳）: 病理組織像における核サブタイプの正確な分類は、腫瘍のグレーディング、免疫浸潤量化、予後予測などの下流タスクに重要である。 既存のアプローチでは、畳み込みまたはトランスフォーマーベースのエンコーダを分離して、きめ細かい局所テクスチャと長距離空間コンテキストを同時にキャプチャする能力を制限している。 本稿では,Swin TransformerとResNet-50の機能ピラミッドを併用したデュアルエンコーダセグメンテーションフレームワークAMN(Adaptive Multi-Scale Nuclei Network)について述べる。 AMNは、クラス重み付き焦点損失、正画素強調による境界認識損失、および過度な不確実性予測を抑制する新しい不確実性修飾分類項を組み合わせた多目的損失を訓練する。 AMNは7つの核クラスのCoNICベンチマークで評価され、平均Diceは0.82、F1は0.68、F1は0.67である。 AMNは、U-Net、ResU-Net、DeepLabV3+、SegNet、ViT-Small、HmsU-Net、ConvFormer-UNet、BEFUnetの8つのベースラインモデルより優れている。 MoNuSegのクロスデータセット評価は、学習した表現の領域ロバスト性を再学習し検証することなく、強力な一般化を示す。

関連論文リスト

• Dino-NestedUNet: Unlocking Foundation Vision Encoders for Pathology Tumor Bulk Segmentation via Dense Decoding [7.637787421453472]
  本稿では,Nested Dense Decoderと事前学習したDINOv3エンコーダを結合するフレームワークであるDino-NestedUNetを提案する。 UNet++と標準のDino-UNetに対する一貫した改善を観察する。 以上の結果から,高密度復号化は境界感応性病理領域の基盤エンコーダをアンロックするための重要な要素であることが示唆された。
  論文  参考訳（メタデータ） (2026-04-27T23:22:14Z)
• ECHO: Encoding Communities via High-order Operators [8.970269049715933]
  トポロジ的アルゴリズムは意味的特徴を無視し、グラフニューラルネットワーク(GNN)は壊滅的な計算ボトルネックに直面している。 コミュニティ検出を適応的でマルチスケールの拡散プロセスとして再構成する,スケーラブルで自己管理型のアーキテクチャであるECHOを紹介する。 ECHOは、グローバル勾配の数学的精度を犠牲にすることなく、従来のO(N2)メモリボトルネックを完全にバイパスする。
  論文  参考訳（メタデータ） (2026-02-25T22:14:29Z)
• A Hybrid Deep Learning and Forensic Approach for Robust Deepfake Detection [0.0]
  既存のディープフェイク検出手法は、一般化や歪みに対する脆弱性の低いディープラーニングや、解釈可能なが新しい操作技術に制限される法医学的な分析に頼っている。 本研究では,雑音残差,JPEG圧縮トレース,周波数領域記述子などの法医学的特徴を融合したハイブリッドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-31T11:32:52Z)
• NM-Hebb: Coupling Local Hebbian Plasticity with Metric Learning for More Accurate and Interpretable CNNs [0.0]
  NM-Hebbは神経刺激による局所的可塑性と遠隔監視を統合している。 フェーズ1は、クロスエントロピーの目標を共同で最適化することで、標準的な教師付きトレーニングを拡張します。 フェーズ2は、一対のメートル法学習損失でバックボーンを微調整する。
  論文  参考訳（メタデータ） (2025-08-27T13:53:04Z)
• UniPhyNet: A Unified Network For Multimodal Physiological Raw Signal Classification [0.18416014644193066]
  マルチモーダルな生理学的データを用いて認知負荷を分類するニューラルネットワークアーキテクチャUniPhyNetを提案する。 CL-Driveデータセットでは、UniPhyNetは生信号の分類精度を70%から80%(バイナリ)、62%から74%(3つ)に改善している。
  論文  参考訳（メタデータ） (2025-07-08T07:13:45Z)
• TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
  グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。 我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-10-30T09:35:56Z)
• Mixed Graph Contrastive Network for Semi-Supervised Node Classification [63.924129159538076]
  我々はMixed Graph Contrastive Network(MGCN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 本研究では,非摂動増強戦略と相関還元機構により,潜伏埋め込みの識別能力を向上する。 これら2つの設定を組み合わせることで、識別表現学習のために、豊富なノードと稀に価値あるラベル付きノードの両方から、豊富な監視情報を抽出する。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Robustness Certificates for Implicit Neural Networks: A Mixed Monotone Contractive Approach [60.67748036747221]
  暗黙のニューラルネットワークは、競合性能とメモリ消費の削減を提供する。 入力逆流の摂動に関して、それらは不安定なままである。 本稿では,暗黙的ニューラルネットワークのロバスト性検証のための理論的および計算的枠組みを提案する。
  論文  参考訳（メタデータ） (2021-12-10T03:08:55Z)
• 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)
• Compact representations of convolutional neural networks via weight pruning and quantization [63.417651529192014]
  本稿では、音源符号化に基づく畳み込みニューラルネットワーク(CNN)の新しいストレージフォーマットを提案し、重み付けと量子化の両方を活用する。 我々は、全接続層で0.6%、ネットワーク全体で5.44%のスペース占有率を削減し、最低でもベースラインと同じくらいの競争力を発揮する。
  論文  参考訳（メタデータ） (2021-08-28T20:39:54Z)

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。