論文の概要: Automated Nucleus Segmentation in Histology Images: An Attention U-Net Approach with Comprehensive Preprocessing and Inference Pipelines

• arxiv url: http://arxiv.org/abs/2610.31902v1
• Date: Thu, 22 Oct 2026 20:57:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.291056
• Title: Automated Nucleus Segmentation in Histology Images: An Attention U-Net Approach with Comprehensive Preprocessing and Inference Pipelines
• Title（参考訳）: 組織像における核分割の自動化:包括的前処理と推論パイプラインを用いた注意的U-Netアプローチ
• Abstract要約: この研究は、これらの課題を克服するために、MoNuSeg 2018データセットに軽量な注意U-Netモデルを実装する。 提案したパイプラインは、ステンデコンボリューションやマルチパスマスクスムーシングなど、包括的なイメージとマスク前処理を統合している。 このモデルは、完全解像度で見えないテスト画像に対して、IoU(Intersection over Union)スコア0.8745を達成した。
• 参考スコア（独自算出の注目度）: 0.0509780930114934
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Objectives: In the area of digital pathology, nucleus segmentation is an essential step for quantitative analysis; however, high nuclear density and staining heterogeneity in histology images pose a great challenge. Methods: This study implements a lightweight Attention U-Net model on the MoNuSeg 2018 dataset to overcome these challenges. The proposed pipeline integrates comprehensive image and mask preprocessing, including stain deconvolution and multi-pass mask smoothing, with a high-fidelity overlapping patch-stitching strategy during inference on high-resolution images. Results: The model achieved an Intersection over Union (IoU) score of 0.8745 on full-resolution, unseen test images. This result demonstrates the effectiveness of attention mechanisms in enhancing feature localization and validates the stitching methodology for generating seamless and accurate segmentation maps. Conclusion: Attention U-Net is an effective and competitive method for automated, scalable nucleus delineation in challenging clinical contexts.
• Abstract（参考訳）: 目的: デジタル病理学の分野では、核セグメンテーションは定量分析に欠かせないステップである。 メソッド: この研究は、これらの課題を克服するために、MoNuSeg 2018データセット上に軽量な注意U-Netモデルを実装している。 提案したパイプラインは、ステンデコンボリューションやマルチパスマスクスムーシングを含む包括的な画像とマスク前処理を統合し、高解像度画像の推測中に高忠実度重なり合うパッチストレッチ戦略を組み込む。 結果: このモデルは、完全解像度で見えないテスト画像に対して、IoU(Intersection over Union)スコア0.8745を達成した。 この結果は特徴の局所化を高めるための注意機構の有効性を示し、シームレスで正確なセグメンテーションマップを生成するための縫合法を検証する。 結論: 注意: U-Netは、挑戦的な臨床状況において、自動化され、スケーラブルな核デライン化のための効果的で競争力のある方法である。

関連論文リスト

• Large Language Model Evaluated Stand-alone Attention-Assisted Graph Neural Network with Spatial and Structural Information Interaction for Precise Endoscopic Image Segmentation [16.773882069530426]
  本研究では,空間グラフと構造グラフを融合したFOCUS-Medを提案する。 FOCUS-Medは、Dual Graph Convolutional Network (Dual-GCN)モジュールを統合し、コンテキスト空間および位相構造上の依存関係をキャプチャする。 公開ベンチマークの実験では、FOCUS-Medが5つの主要な指標で最先端のパフォーマンスを達成した。
  論文  参考訳（メタデータ） (2025-08-09T15:53:19Z)
• CTI-Unet: Cascaded Threshold Integration for Improved U-Net Segmentation of Pathology Images [4.223102602534721]
  慢性腎臓病(CKD)は、診断と治療計画を支援するために正確かつ効率的な画像解析を必要とする世界的な健康上の問題である。 本稿では,シングルスレッドセグメンテーションの限界を克服するために,新しいテキスト型Threshold-Integrated U-Net(CTI-Unet)を提案する。
  論文  参考訳（メタデータ） (2025-04-08T03:35:09Z)
• Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
  核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。 本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。 ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:03:20Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal Artifact Reduction in CT Images [53.4351366246531]
  InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。 異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2021-12-23T15:52:37Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。