論文の概要: C-Norm: Cell-Distribution Normalization Enables Precision Recognition of Medical-Cell Image

• arxiv url: http://arxiv.org/abs/2607.13116v1
• Date: Tue, 14 Jul 2026 14:53:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-16 16:39:12.537309
• Title: C-Norm: Cell-Distribution Normalization Enables Precision Recognition of Medical-Cell Image
• Title（参考訳）: C-Norm:細胞分布正規化により医療セル画像の精度認識が可能となる
• Abstract要約: ThinPrep Cytological Test (TCT) は早期頸部がん検診を可能にする。 既存のAI検出モデルは、実際の臨床条件下では不十分である。 本稿では,これらの制約に対処する細胞分布正規化(C-Norm)法を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: ThinPrep Cytologic Test (TCT) enables early cervical cancer screening, but manual reading is time-consuming and yields inconsistent diagnostic results among cytopathologists. Existing AI detection models perform poorly under real clinical conditions, primarily restricted by two key constraints: unbalanced spatial distribution of cell populations in TCT slides, and limited high-quality annotated cytology data relying on professional pathologist labeling. To address these limitations, we propose a Cell-Distribution Normalization (C-Norm) method. By decoupling abnormal and normal cells from the original TCT images and re-synthesizing them, this method ensures a uniform distribution of cell populations, thereby mitigating generalization degradation caused by distribution bias. Building upon this, we integrate the YOLOv12 framework with a DINOv3 module. This hybrid architecture leverages the advanced detection capability of YOLO models and the superior feature representations of DINOv3 to capture subtle morphological nuances essential for precise recognition of TCT images. Extensive experiments demonstrate that our proposed method achieves state-of-the-art performance, significantly outperforming mainstream detection algorithms. The complete implementation is available at: https://github.com/ddw2AIGROUP2CQUPT/Cell-Norm
• Abstract（参考訳）: ThinPrep Cytological Test (TCT) は早期の頸部がん検診を可能にするが、手動読影は時間がかかり、細胞病理学者の間では矛盾する診断結果が得られる。 既存のAI検出モデルは、主にTCTスライド内の細胞集団の非バランスな空間分布と、専門的な病理学者のラベル付けに依存する高品質なアノテート細胞診データという2つの重要な制約により、実際の臨床条件下では不十分に機能する。 これらの制約に対処するため,我々はCell-Distribution Normalization (C-Norm)法を提案する。 元のTCT画像から異常細胞と正常細胞を分離して再合成することにより、細胞集団の均一な分布を確保することにより、分布バイアスによる一般化劣化を緩和する。 これに基づいて、YOLOv12フレームワークをDINOv3モジュールに統合します。 このハイブリッドアーキテクチャは, YOLOモデルの高度な検出機能とDINOv3の優れた特徴表現を利用して, TCT画像の正確な認識に必要な微妙な形態的ニュアンスを捉える。 大規模な実験により,提案手法は最先端の性能を実現し,主流検出アルゴリズムよりも優れていた。 完全な実装は以下の通りである。 https://github.com/ddw2AIGROUP2CQUPT/Cell-Norm

関連論文リスト

• Semantic-Guided Multimodal Preprocessing for Vision Transformer-Based Clear Cell Renal Cell Carcinoma Grading [1.5883048185517088]
  核分類図とRGB病理像を統合する意味誘導型マルチモーダル前処理法を提案する。 提案手法では, 原子核グレーディング情報を活用するために, オーバレイを最適化した分類写像チャネル結合と乗法変調を用いる。
  論文  参考訳（メタデータ） (2026-09-01T15:39:14Z)
• Demographic-Aware Self-Supervised Anomaly Detection Pretraining for Equitable Rare Cardiac Diagnosis [45.00216485193071]
  心電図による心臓の異常は, 長期分布により検出が困難である。 我々は、自己教師付き異常検出と人口動態認識型表現学習を統合したAI支援二段階ECGフレームワークを開発した。 本手法は,まれな異常に対して94.7%のAUROCを達成し,コモン・レア性能のギャップを73%削減する。
  論文  参考訳（メタデータ） (2026-03-20T07:04:00Z)
• Augmentation-Based Deep Learning for Identification of Circulating Tumor Cells [0.18846515534317262]
  CTCは液体生検において重要なバイオマーカーであり、がん患者の管理に非侵襲的なツールを提供する。 伝統的に、DEPArrayが取得したデジタル画像は手動で解析されるため、プロセスは時間がかかり、変動しがちである。 血液サンプル中の白血球とCTCを区別するディープラーニングに基づく分類パイプラインを提案する。
  論文  参考訳（メタデータ） (2025-03-05T11:39:15Z)
• Orthogonal Subspace Decomposition for Generalizable AI-Generated Image Detection [58.87142367781417]
  航法的に訓練された検出器は、限定的で単調な偽のパターンに過度に適合する傾向にあり、特徴空間は高度に制約され、低ランクになる。 潜在的な治療法の1つは、ビジョンファウンデーションモデルに事前訓練された知識を取り入れて、機能領域を広げることである。 主要なコンポーネントを凍結し、残ったコンポーネントのみを適用することで、フェイクパターンを学習しながら、トレーニング済みの知識を保存します。
  論文  参考訳（メタデータ） (2024-11-23T19:10:32Z)
• Neural Cellular Automata for Lightweight, Robust and Explainable Classification of White Blood Cell Images [40.347953893940044]
  ニューラルセルオートマトン(NCA)を用いた白血球分類の新しいアプローチを提案する。 NCAに基づく手法はパラメータの面で著しく小さく,ドメインシフトに対する堅牢性を示す。 その結果,NAAは画像分類に利用でき,従来の手法の課題に対処できることがわかった。
  論文  参考訳（メタデータ） (2024-04-08T14:59:53Z)
• Two-stage Cytopathological Image Synthesis for Augmenting Cervical Abnormality Screening [13.569003698448]
  データ収集とアノテーションの努力を最小限に抑えるため、病理画像合成が自然に行われる。 頚部異常スクリーニングのための合成データを作成するための2段階画像合成フレームワークを提案する。 提案する合成フレームワークの合成画像品質,多様性,制御性について実験を行った。
  論文  参考訳（メタデータ） (2024-02-22T17:06:47Z)
• A Two-Stage Generative Model with CycleGAN and Joint Diffusion for MRI-based Brain Tumor Detection [41.454028276986946]
  本稿では,脳腫瘍の検出とセグメンテーションを改善するための2段階生成モデル(TSGM)を提案する。 CycleGANは、未ペアデータに基づいてトレーニングされ、データとして正常な画像から異常な画像を生成する。 VE-JPは、合成対の異常画像をガイドとして使用して、健康な画像の再構成を行う。
  論文  参考訳（メタデータ） (2023-11-06T12:58:26Z)
• Classification of lung cancer subtypes on CT images with synthetic pathological priors [41.75054301525535]
  同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。 肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
  論文  参考訳（メタデータ） (2023-08-09T02:04:05Z)
• 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)
• Explainable multiple abnormality classification of chest CT volumes with AxialNet and HiResCAM [89.2175350956813]
  本稿では,容積医用画像における多変量分類の課題について紹介する。 本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。 そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
  論文  参考訳（メタデータ） (2021-11-24T01:14:33Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。