論文の概要: End-to-End Cell Detection via Instance-aware Graph Modeling
- arxiv url: http://arxiv.org/abs/2609.15354v1
- Date: Mon, 14 Sep 2026 10:37:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-16 07:15:06.266597
- Title: End-to-End Cell Detection via Instance-aware Graph Modeling
- Title（参考訳）: インスタンス認識グラフモデリングによるエンド・ツー・エンド細胞検出
- Abstract要約: 細胞検出と分類のためのエンドツーエンドフレームワークを提案する。
動的グラフ構築モジュールとインスタンス対応グラフネットワークが組み込まれている。
本手法は,検出性能と分類性能の両方において既存手法よりも優れていた。
- 参考スコア（独自算出の注目度）: 31.98156719497261
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate cell detection and classification are crucial for pathological analysis, directly affecting diagnostic accuracy and treatment planning. To capture complex cellular interactions beyond visual appearance within the tumor microenvironment, several approaches have employed graph neural networks to model spatial and relational patterns among cell nuclei, yielding promising results. However, these methods typically adopt a two-stage paradigm of visual extraction followed by relational modeling, which necessitates separate tuning for each stage, thereby increasing pipeline complexity and hindering end-to-end joint optimization. In this paper, we propose an end-to-end framework for cell detection and classification that jointly models patch-level visual representations and instance-level interactions, which incorporates a dynamic graph construction module and an instance-aware graph network. Specifically, the graph construction module dynamically builds the graph structure using learnable queries derived from patch-level features as cell instance representations, with adjacency defined by integrating feature similarity and spatial distances. The instance-aware graph network performs adaptive instance filtering and feature reorganization, aggregating them over the cell graph into a topological latent state for a selective state-space transition driven by visual cues, fusing appearance and relational evidence. When evaluated on multiple datasets with different staining protocols for cell and nucleus detection, our method significantly outperforms existing approaches in both detection and classification performance. The code will be released at https://github.com/RuochenLiu23/IGM.
- Abstract（参考訳）: 正確な細胞検出と分類は病理学的解析に不可欠であり、診断精度と治療計画に直接影響を及ぼす。
腫瘍の微小環境における視覚的外観を超えた複雑な細胞相互作用を捉えるために、いくつかのアプローチでは、細胞核間の空間的および関係的なパターンをモデル化するためにグラフニューラルネットワークを用いて、有望な結果をもたらす。
しかし、これらの手法は通常、視覚的抽出の2段階のパラダイムを採用し、それに続くリレーショナルモデリングは、各ステージごとに個別のチューニングを必要とするため、パイプラインの複雑さが増大し、エンドツーエンドの関節最適化が妨げられる。
本稿では,動的グラフ構築モジュールとインスタンス認識グラフネットワークを組み込んだ,パッチレベルの視覚表現とインスタンスレベルの相互作用を共同でモデル化する,細胞検出と分類のためのエンドツーエンドフレームワークを提案する。
具体的には、グラフ構築モジュールは、セルインスタンス表現としてパッチレベルの特徴から派生した学習可能なクエリを使用して、特徴類似性と空間距離を統合することで、グラフ構造を動的に構築する。
インスタンス対応グラフネットワークは、適応的なインスタンスフィルタリング及び特徴再構成を行い、視覚的手がかりによって駆動される選択的な状態空間遷移のために、セルグラフを介してそれらをトポロジ的潜在状態に集約し、外観と関係証拠を融合させる。
細胞および核検出のための異なる染色プロトコルを持つ複数のデータセットで評価すると,本手法は検出性能と分類性能の両方において既存手法よりも優れていた。
コードはhttps://github.com/RuochenLiu23/IGMでリリースされる。
関連論文リスト
- Unsupervised Learning of Cell Instances with Generative Routing Pyramids [3.910659311729392]
本稿では,未表示の顕微鏡画像からセルインスタンスのセグメンテーションと表現型分類のための新しい教師なし手法について述べる。
本手法は,画素を空間的に粗い遅延源に関連付ける粗いルーティングピラミッドを用いて,各画像の再構成を行う。
多様な細胞形態と画像モダリティにまたがるインスタンスセグメンテーションにおける競合性能を示す。
論文 参考訳（メタデータ） (2026-08-17T17:03:32Z) - TopoAlign: Topology-Aware Visual Representation Alignment [18.80110544625249]
TopoAlignは、構造の観点からモデル表現を視覚的に比較するためのフレームワークである。
TopoAlignは、トポロジカルな視点から表現構造とアライメントについて有意義な洞察を提供する。
論文 参考訳（メタデータ） (2026-05-25T07:58:26Z) - Robust Graph Matching through Semantic Relationship Generation for SLAM [0.15635627702544694]
Scene Graphsは、ローカルに観測されたグラフと事前マップをマッチングすることで、構造化された屋内環境のローカライズを可能にする。
本稿では,検出対象と構造要素の関係を明示的にモデル化する意味強化グラフマッチング手法を提案する。
その結果、意味的関係は、候補マッチングの数を大幅に減らし、計算効率を向上し、より高速な収束を可能にした。
論文 参考訳（メタデータ） (2026-04-28T09:15:51Z) - CoTCoNet: An Optimized Coupled Transformer-Convolutional Network with an Adaptive Graph Reconstruction for Leukemia Detection [0.3573481101204926]
白血病の分類のためのCoTCoNet(Coupled Transformer Convolutional Network)フレームワークを提案する。
我々のフレームワークは、包括的グローバル特徴とスケーラブルな空間パターンを捉え、複雑で大規模な血液学的特徴の同定を可能にする。
それぞれ0.9894と0.9893のF1スコアレートを達成している。
論文 参考訳（メタデータ） (2024-10-11T13:31:28Z) - 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) - Histopathology Whole Slide Image Analysis with Heterogeneous Graph
Representation Learning [78.49090351193269]
本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。
具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。
我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
論文 参考訳（メタデータ） (2023-07-09T14:43:40Z) - GrannGAN: Graph annotation generative adversarial networks [72.66289932625742]
本稿では,高次元分布をモデル化し,グラフスケルトンと整合した複雑な関係特徴構造を持つデータの新しい例を生成することの問題点を考察する。
提案するモデルは,タスクを2つのフェーズに分割することで,各データポイントのグラフ構造に制約されたデータ特徴を生成する問題に対処する。
第一に、与えられたグラフのノードに関連する機能の分布をモデル化し、第二に、ノードのフィーチャに条件付きでエッジ機能を補完する。
論文 参考訳（メタデータ） (2022-12-01T11:49:07Z) - Dynamic Graph Message Passing Networks for Visual Recognition [112.49513303433606]
長距離依存のモデリングは、コンピュータビジョンにおけるシーン理解タスクに不可欠である。
完全連結グラフはそのようなモデリングには有益であるが、計算オーバーヘッドは禁じられている。
本稿では,計算複雑性を大幅に低減する動的グラフメッセージパッシングネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-20T14:41:37Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳（メタデータ） (2020-07-30T05:48:48Z) - A Graph-based Interactive Reasoning for Human-Object Interaction
Detection [71.50535113279551]
本稿では,HOIを推論するインタラクティブグラフ(Interactive Graph, in-Graph)という,グラフに基づくインタラクティブ推論モデルを提案する。
In-GraphNet と呼ばれる HOI を検出するための新しいフレームワークを構築した。
私たちのフレームワークはエンドツーエンドのトレーニングが可能で、人間のポーズのような高価なアノテーションはありません。
論文 参考訳（メタデータ） (2020-07-14T09:29:03Z)
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。