論文の概要: CellDETR: A Detection-Guided Framework for Scalable Cell Representation Learning from Histopathology Images
- arxiv url: http://arxiv.org/abs/2606.29463v1
- Date: Sun, 28 Jun 2026 15:39:44 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.919824
- Title: CellDETR: A Detection-Guided Framework for Scalable Cell Representation Learning from Histopathology Images
- Title（参考訳）: CellDETR: 病理画像からのスケーラブルな細胞表現学習のための検出ガイドフレームワーク
- Abstract要約: 本稿では,WSIからのスケーラブルなセル表現学習のためのDeformable DETR上に構築した検出誘導フレームワークを提案する。
位置特徴デカップリングとボックス拘束型アテンション機構を導入することで、セルDETRはセルレベルの埋め込みを自動的に抽出することができる。
対照的な学習設計を取り入れることで、ラベルのないWSIからスケーラブルなセル表現学習のためのCellDETRベースの事前学習モデルを構築する。
- 参考スコア（独自算出の注目度）: 1.0889596738456337
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recent advances in pathology foundation models have substantially improved patch and slide level representation learning from whole-slide images (WSIs).However, cell-level representations learning remain underexplored, limiting cell resolved interpretability, biological discovery, and clinical translation. We propose CellDETR, a detection-guided framework built on Deformable DETR for scalable cell representation learning from WSIs. By introducing location feature decoupling and box-constrained attention mechanism, CellDETR enables automated extraction of cell-level embeddings, and outperform existing state-of-the-art methods in supervised cell classification on PanNuke data. In addition, by incorporating contrastive learning design, we build a CellDETR-based pretraining model for scalable cell representation learning from unlabeled WSIs, which improves downstream cell classification performance. Furthermore, we show that after pretraining with Xenium spatial transcriptomics-derived cell annotations, CellDETR achieves accurate cross-dataset cell classification, demonstrating the transferability and biological relevance of the learned cell embeddings. Together, CellDETR provides a scalable route toward general cell-level representation learning framework for interpretable computational patholog
- Abstract（参考訳）: 病理基盤モデルの最近の進歩は、全体スライド画像(WSI)からのパッチとスライドレベルの表現学習を大幅に改善した。
しかし、細胞レベルでの学習はいまだ探索されていないため、細胞が解決した解釈可能性、生物学的発見、臨床翻訳を制限している。
本稿では,WSIからのスケーラブルなセル表現学習のためのDeformable DETR上に構築された検出誘導フレームワークであるCellDETRを提案する。
位置特徴分離とボックス拘束型アテンション機構を導入することで、CellDETRは細胞レベルの埋め込みの自動抽出を可能にし、PanNukeデータに基づく教師付きセル分類における既存の最先端手法よりも優れている。
さらに、対照的な学習設計を取り入れることで、ラベルのないWSIからのスケーラブルなセル表現学習のためのCellDETRベースの事前学習モデルを構築し、下流セル分類性能を向上させる。
さらに,Xenium空間転写学由来の細胞アノテーションによる事前訓練後,CellDETRは正確なクロスデータセット細胞分類を達成し,学習細胞埋め込みの伝達性と生物学的関連性を示す。
同時にCellDETRは、解釈可能な計算パスログのための一般的なセルレベルの表現学習フレームワークへのスケーラブルな経路を提供する
関連論文リスト
- Lingshu-Cell: A generative cellular world model for transcriptome modeling toward virtual cells [48.885716676667776]
Lingshu-Cellは、転写状態の分布を学習し、摂動下で条件シミュレーションをサポートする離散拡散モデルである。
約18,000の遺伝子にまたがる複雑なトランスクリプトーム全体の発現依存性を、以前の遺伝子選択に頼らずに捕捉する。
これは、Virtual Cell Challenge H1遺伝子摂動ベンチマークにおいて、ヒトPBMCのサイトカイン誘発反応の予測において、主要な性能を発揮する。
論文 参考訳（メタデータ） (2026-03-26T09:46:27Z) - CAPSUL: A Comprehensive Human Protein Benchmark for Subcellular Localization [50.559485139565076]
我々は, 多様な3次元構造表現と微細な細胞内局在アノテーションを統合するデータセットである $mathbfCAPSUL$ という新しいベンチマークを導入する。
このベンチマークは、様々な最先端のシーケンスベースモデルと構造ベースモデルを用いて評価し、この課題に構造的特徴を関与させることの重要性を示す。
最後に,Golgi 装置のケーススタディを通じて,構造に基づく手法の強力な解釈可能性を示す。
論文 参考訳（メタデータ） (2026-03-19T07:33:04Z) - Refinement Contrastive Learning of Cell-Gene Associations for Unsupervised Cell Type Identification [37.569728273621315]
非教師なし細胞型同定は、単細胞オミクス研究における異種集団の発見と特徴付けに不可欠である。
本稿では,より情報的な表現を導き出すために,細胞-遺伝子相互作用を明示的に組み込んだRefinement Contrastive Learning framework(scRCL)を提案する。
本手法は, セル型識別精度において, 常に最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2025-12-11T13:45:31Z) - CellGenNet: A Knowledge-Distilled Framework for Robust Cell Segmentation in Cancer Tissues [0.326654570054705]
我々は,限定的な監督の下で,堅牢なクロスタスクセルセグメンテーションのための知識蒸留フレームワークであるCellGenNetを提案する。
CellGenNetは学生-教師アーキテクチャを採用しており、キャパシティ教師はスパースアノテーションで訓練され、ラベルのない地域でソフトな擬似ラベルを生成する。
様々ながん組織に対する実験により、CellGenNetは、教師付きおよび半教師付きベースラインよりもセグメンテーションの精度と一般化を改善することが示されている。
論文 参考訳（メタデータ） (2025-11-19T02:54:55Z) - ITC-RWKV: Interactive Tissue-Cell Modeling with Recurrent Key-Value Aggregation for Histopathological Subtyping [2.99938892718088]
本稿では,マクロ組織の特徴と集合細胞表現との相互作用をモデル化したデュアルストリームアーキテクチャを提案する。
組織と細胞間の双方向の相互作用モジュールを導入し, 局所的な細胞キューと周囲の組織環境の相互の注意を喚起する。
論文 参考訳（メタデータ） (2025-10-24T14:03:52Z) - CellPainTR: Generalizable Representation Learning for Cross-Dataset Cell Painting Analysis [51.56484100374058]
本稿では,細胞形態の基本的な表現を学習するためのトランスフォーマーベースのアーキテクチャであるCellPainTRを紹介する。
私たちの研究は、画像ベースのプロファイリングのための真の基盤モデルを作成するための重要なステップであり、より信頼性が高くスケーラブルなクロススタディ生物学的分析を可能にします。
論文 参考訳（メタデータ） (2025-09-02T03:30:07Z) - HEIST: A Graph Foundation Model for Spatial Transcriptomics and Proteomics Data [25.915980581662023]
本稿では,空間転写学とトランスフォーマーのための階層グラフ基盤モデルであるHEISTを紹介する。
HEISTは、124の組織から15の臓器の22.3M細胞に、空間的に認識されるコントラストとマスクされた自己エンコーディングの目的を用いて事前訓練されている。
論文 参考訳（メタデータ） (2025-06-11T12:29:01Z) - CellVerse: Do Large Language Models Really Understand Cell Biology? [74.34984441715517]
我々は,4種類のシングルセルマルチオミクスデータを統合する統一言語中心の質問応答ベンチマークであるCellVerseを紹介する。
我々は,CellVerse上で160Mから671Bまでの14のオープンソースおよびクローズドソースLLMの性能を体系的に評価した。
論文 参考訳（メタデータ） (2025-05-09T06:47:23Z) - Cell as Point: One-Stage Framework for Efficient Cell Tracking [56.98130311648714]
本稿では,セルをポイントとして扱うことで細胞追跡を再現する新しいエンド・ツー・エンドのワンステージフレームワークであるCAPを提案する。
従来の方法とは異なり、CAPは明示的な検出やセグメンテーションの必要性を排除し、代わりに、その軌道間の固有の相関を利用して、1段階の配列の細胞を共同で追跡する。
Capは有望なセルトラッキング性能を示し、既存の方法の8倍から32倍の効率である。
論文 参考訳（メタデータ） (2024-11-22T10:16:35Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳（メタデータ） (2023-03-23T08:57:11Z) - CCRL: Contrastive Cell Representation Learning [0.0]
本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。
このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
論文 参考訳（メタデータ） (2022-08-12T18:12:03Z)
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。