論文の概要: QCell: Recombining and Aligning Cell Queries for Overlapping Instance Segmentation

• arxiv url: http://arxiv.org/abs/2608.29253v1
• Date: Sat, 29 Aug 2026 13:12:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.902184
• Title: QCell: Recombining and Aligning Cell Queries for Overlapping Instance Segmentation
• Title（参考訳）: QCell: 重複するインスタンスセグメンテーションのためのセルクエリの再結合とアライメント
• Abstract要約: マイクロコピーシーンでセルインスタンスをオーバーラップするクエリベースの新しいモデルであるQCellを紹介する。 我々のアプローチは(i)潜時空間におけるクエリ表現の分解と再結合を行うインスタンス組換えモジュールを組み合わせる。 QCellは複数のベンチマークで最先端の手法より優れていることを示す。
• 参考スコア（独自算出の注目度）: 4.924483784910263
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Instance segmentation of overlapping cells in microscopy remains challenging due to semi-transparent structures that produce weak boundaries and mixed visual evidence in overlap regions. Existing methods address this through local regions of interest or shape priors but lack global reasoning across overlapping objects. We present QCell, a novel query-based model that de-overlaps cell instances in microscopy scenes. Our approach combines (i) an instance recombination module that decomposes and recombines query representations in latent space, enabling the model to reason about complete object structure under overlap, and (ii) a contrastive query alignment objective that combines distinctive instance feature learning and separation of overlapping cell queries. We additionally introduce a new Organoid dataset benchmark for overlapping cell segmentation. We show that QCell outperforms state-of-the-art methods across multiple benchmarks, achieving +2.2 AP and +2.7 AJI on ISBI2014. Code is available at https://github.com/SlavkoPrytula/QCell
• Abstract（参考訳）: 顕微鏡における重なり合う細胞のセグメンテーションは、境界の弱い半透明構造と重なり合う領域における混合視覚的エビデンスによって依然として困難である。 既存の手法では、興味のある領域や形状の先行領域を通じてこの問題に対処するが、重なり合うオブジェクトに対するグローバルな推論が欠如している。 マイクロコピーシーンでセルインスタンスをオーバーラップするクエリベースの新しいモデルであるQCellを紹介する。 私たちのアプローチは組み合わさる i) 潜在空間でクエリ表現を分解し、再結合するインスタンス再結合モジュールで、重複しているオブジェクトの完全な構造をモデルが推論できるようにする。 (ii) 特異なインスタンス特徴学習と重複するセルクエリの分離を組み合わせたコントラスト型クエリアライメント目的。 さらに、重なり合うセルセグメンテーションのための新しいOrganoidデータセットベンチマークも導入する。 QCellは,ISBI2014で+2.2 APと+2.7 AJIを達成し,複数のベンチマークで最先端の手法より優れていることを示す。 コードはhttps://github.com/SlavkoPrytula/QCellで入手できる。

関連論文リスト

• MAT-Cell: A Multi-Agent Tree-Structured Reasoning Framework for Batch-Level Single-Cell Annotation [81.82645086402366]
  MAT-Cellは,単細胞解析を構築的で検証可能な証明生成に再構成する,ニューロシンボリック推論フレームワークである。 MAT-Cellは、適応型レトリーバル増強生成(RAG)を通じて、生物学的公理の基底神経推論に象徴的な制約を注入し、転写ノイズを減少させる。 最先端のSOTA(State-of-the-art)モデルを大幅に上回り、挑戦的なシナリオにおいて堅牢なパフォーマンスを維持します。
  論文  参考訳（メタデータ） (2026-04-07T04:56:06Z)
• Boundary-Aware Instance Segmentation in Microscopy Imaging [4.853153612241331]
  本稿では,二項マスクの代わりに符号付き距離関数(SDF)を予測する,プロンプトフリーでバウンダリ対応のインスタンスセグメンテーションフレームワークを提案する。 学習されたシグモイド写像は、SDFを確率写像に変換し、鋭い境界ローカライゼーションをもたらす。 訓練は、統一されたハウスドルフ距離(MHD)の喪失によって導かれる。
  論文  参考訳（メタデータ） (2026-03-22T12:59:22Z)
• IAUNet: Instance-Aware U-Net [1.9249287163937978]
  IAUNetは、インスタンスセグメンテーションのための新しいクエリベースのU-Netアーキテクチャである。 IAUNetは, 完全畳み込み, トランスフォーマーベース, 問合せベースのモデル, セルセグメンテーション固有のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2025-08-03T21:36:20Z)
• Cell-o1: Training LLMs to Solve Single-Cell Reasoning Puzzles with Reinforcement Learning [44.91329557101423]
  我々はCellPuzzlesタスクを導入し、その目的はセルのバッチにユニークなセルタイプを割り当てることである。 このベンチマークは、様々な組織、疾患、ドナーの状態にまたがっており、ラベルの独特性を保証するために、バッチレベルの細胞コンテキストをまたいで推論する必要がある。 蒸留液の微調整を施した7B LLMのCell-o1を提案する。
  論文  参考訳（メタデータ） (2025-06-03T14:16:53Z)
• 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)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Beam Tree Recursive Cells [54.958581892688095]
  本稿では,遅延構造誘導のためのビームサーチによる再帰ニューラルネットワーク(RvNN)の拡張を目的としたビームツリー再帰セル(BT-Cell)を提案する。 提案したモデルは, 合成データと実データの両方において, 異なる分配分割で評価する。
  論文  参考訳（メタデータ） (2023-05-31T16:20:04Z)
• Look in Different Views: Multi-Scheme Regression Guided Cell Instance Segmentation [17.633542802081827]
  マルチスキーマ回帰誘導に基づく新しいセルインスタンス分割ネットワークを提案する。 マルチスキーマレグレッションガイダンスにより、ネットワークは異なるビューで各セルを見ることができる。 ベンチマークデータセット、DSB2018、CA2.5、SCISについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-08-17T05:24:59Z)
• Stretchable Cells Help DARTS Search Better [70.52254306274092]
  分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。 現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。 本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
  論文  参考訳（メタデータ） (2020-11-18T14:15:51Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。