論文の概要: SWIFT-Cell: Segmentation Without Iterative Flow Tracking
- arxiv url: http://arxiv.org/abs/2610.33081v1
- Date: Wed, 21 Oct 2026 10:42:46 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.241159
- Title: SWIFT-Cell: Segmentation Without Iterative Flow Tracking
- Title（参考訳）: SWIFT-Cell:反復フロートラッキングのないセグメンテーション
- Abstract要約: Cellpose-SAMのようなジェネラリストセグメンタは、染色全体にわたって正確に細胞をアウトラインするが、ゆっくりとする。
細胞をインタラクティブに検索するなどの時間クリティカルな使用では、基準設定でのCPSAMは8192 x 8192領域あたり58-303秒を要する。
CPSAM を SWIFT-Cell (SWIFT) に分解し, CPSAM マスクを1,202 H&E および IHC タイルのみにトレーニングした 0.63M-パラメータ U-Net を作成した。
- 参考スコア（独自算出の注目度）: 0.15324549514426647
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalist segmenters such as Cellpose-SAM (CPSAM) outline cells accurately across stains but slowly; watershed detectors such as QuPath's are fast but less accurate. In time-critical use, such as interactive retrieval of cells from a user-drawn region, CPSAM at the reference settings takes 58-303 s per measured 8192 x 8192 region on an RTX 4500 Ada GPU, beyond a seconds-scale interactive target. We distil CPSAM into SWIFT-Cell (SWIFT), a 0.63M-parameter U-Net trained only on CPSAM masks of 1,202 H&E and IHC tiles. On three 8192 x 8192 development regions SWIFT takes 2.0-5.2 s on 4 CPU cores in int8, 2.5-5.1x faster than QuPath's detector on the same cores, and 0.36-0.49 s on a GPU. Against human annotations on eight H&E, IHC and ISH sets it keeps 95% of CPSAM's panoptic quality (PQ) on PanNuke (0.593 vs. 0.627) and is level on NuCLS (0.546 vs. 0.540). On Ki-67 IHC masks scored to the outline centre it is 0.205 PQ above QuPath's better mode, 0.079 below CPSAM and 0.027 below InstanSeg (CI includes 0; at the outer edge 0.008 below CPSAM); on 212 pathologist-outlined nuclei in Ki-67 fields of 12 untouched patients its recall is 0.925 (CPSAM 0.920, InstanSeg 0.901; paired difference CIs include 0); one method-blinded pathologist accepted its outlines in 96% of 100 fields (60 from two development tissue patients, 40 hematology; CPSAM 83%, QuPath 53%; tissue 100% for SWIFT and CPSAM); on ER/PR points from 12 patients its detection F1 is 0.882 (CPSAM 0.896, InstanSeg 0.857), and on 4-reader PD-L1 points 0.83 (CPSAM 0.85, readers 0.87). SWIFT is close to CPSAM in accuracy and faster than watershed detection.
- Abstract（参考訳）: Cellpose-SAM (CPSAM) のような一般的なセグメンタは、染色を正確に網羅するが、QuPath のような浸水検出器は高速だが精度は低い。
ユーザ描画領域からのセルの対話的検索のような時間クリティカルな使用では、参照設定でのCPSAMは、RTX 4500 Ada GPU上で測定された8192 x 8192領域当たり58-303秒の対話的ターゲットを超える。
我々はCPSAMをSWIFT-Cell(SWIFT)に分解し,1,202個のH&EタイルとIHCタイルからなるCPSAMマスクでトレーニングした。
3つの8192 x 8192開発領域では、SWIFTは4つのCPUコアで2.0-5.2秒、同じコアでQuPath検出器より2.5-5.1倍、GPUで0.36-0.49秒速くなる。
8つのH&E上の人間のアノテーションに対して、IHCとISHはCPSAMのPQの95%をPanNuke(0.593 vs. 0.627)に保持し、NuCLS(0.546 vs. 0.540)に準じている。
Ki-67 IHCマスクは、QuPathのより良いモードより0.205 PQ、CPSAMより0.079 PQ、InstanSegより0.027 PQ(CIは0、外部端は0.008、CPSAMより0.008)、Ki-67フィールドに212の核を持つ未接触患者12の核は0.925(CPSAM 0.920、InstanSeg 0.901、ペア差CIは0を含む)、メソッドブラインドされた病理医は100フィールドのうち96%のアウトラインを受け入れた(CPSAM 83%、QuPath 53%、SFTおよびCPSAMから100%)。
SWIFTはCPSAMに近い精度で、流域検出よりも高速である。
関連論文リスト
- Lumen: Parameter-Efficient Alignment of Pretrained Vision and Language Encoders for Zero-Shot Computational Pathology [1.041244287595653]
フリーズしたVirchow2とBioMedBERTのバックボーンを、ランク4アダプターとプロジェクションヘッドを使って調整するLumenを提案する。
9つの公的なゼロショットパッチベンチマークで、Lumenは平均的なチャンス補正バランスの正確さを達成した。
論文 参考訳（メタデータ） (2026-09-15T21:47:58Z) - Post-Operative Glioma Segmentation via Loss Stabilization, Normalization and Subspace Attention [46.03321798937855]
ドメインシフトの際,GDL(Generalized Dice Loss)が不安定であることを示す。
本稿では,ボトルネック機能を再校正するサブスペース・アウェア・クラス・アテンション(SACA)モジュールを提案し,腫瘍の感度を8%向上させる。
論文 参考訳（メタデータ） (2026-07-23T09:59:30Z) - Prospective clinical indication, post-hoc report leakage, and fusion design in multi-image chest radiograph classification: a patient-clustered evaluation [0.5156484100374059]
画像のみ、表示のみ、固定順序マルチモーダル、ランダムスワップ、DeepSets、セクションガードMIモデルを比較した。
予測表示は、レポート由来の目標と強く結びついており、置換認識融合は競争的であり、ポストホックレポートテキストは、レポートラベルの実質的な円形を生成する。
論文 参考訳（メタデータ） (2026-07-15T13:08:09Z) - Efficient Transformer-Based Localized Patch Sampling for Choroid Plexus Segmentation in Multiple Sclerosis [26.831715552066694]
両側心室脈絡膜叢 (LVCP) は, 身体障害と神経炎症に関連する多発性硬化症 (MS) の指標として認識されている。
本研究の目的は,スタンドアロンおよびマルチモーダルMRI入力からMS内のLVCPを自動的に分割するSwinUNETR駆動パイプラインを開発することである。
論文 参考訳（メタデータ） (2026-06-02T12:32:43Z) - Pillar-0: A New Frontier for Radiology Foundation Models [41.640120966890954]
腹部骨盤CT42,990例,胸部CT86,411例,頭部CT14,348例,胸部MRI11,543例にPillar-0を導入した。
Pillar-0は平均86.4、88.0、90.1、82.9のAUROCを達成し、MedGemma (Google)、MedImageInsight (Microsoft)、Lingshu (Alibaba)、Merlin (スタンフォード)を7.8-15.8のAUROCポイントで上回り、87.2% (319/366)タスクでランクインしている。
論文 参考訳（メタデータ） (2025-11-21T21:50:34Z) - Generalizable Diabetes Risk Stratification via Hybrid Machine Learning Models [0.0]
糖尿病は世界中で5億3700万人を超え、2045年までに7億8300万人に達すると予測されている。
2つのハイブリッド分類器を比較し、外部コホート上での一般化性を評価する。
論文 参考訳（メタデータ） (2025-09-24T21:18:52Z) - TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。
予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。
オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文 参考訳（メタデータ） (2024-05-29T20:15:54Z) - Attention-based Saliency Maps Improve Interpretability of Pneumothorax
Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。
ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。
ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文 参考訳（メタデータ） (2023-03-03T12:05:41Z) - The Report on China-Spain Joint Clinical Testing for Rapid COVID-19 Risk
Screening by Eye-region Manifestations [59.48245489413308]
携帯電話カメラで中国とスペインで撮影された視線領域の画像を用いて、新型コロナウイルスの早期スクリーニングモデルを開発し、テストした。
AUC, 感度, 特異性, 精度, F1。
論文 参考訳（メタデータ） (2021-09-18T02:28:01Z) - Semi-supervised learning for generalizable intracranial hemorrhage
detection and segmentation [0.0]
本研究は頭蓋内出血の検出・分節化のための半教師付き学習モデルの開発と評価である。
最初の「教師」ディープラーニングモデルは、2010年から2017年にかけて米国のある機関から収集された457ピクセルの頭部CTスキャンに基づいて訓練された。
2つ目の"学生"モデルは、このピクセルラベル付きデータセットと擬似ラベル付きデータセットの組み合わせでトレーニングされた。
論文 参考訳（メタデータ） (2021-05-03T00:14:43Z) - Automated Quantification of CT Patterns Associated with COVID-19 from
Chest CT [48.785596536318884]
提案法は,非造影胸部CTを入力として,病変,肺,葉を3次元に分割する。
この方法では、肺の重症度と葉の関与度を2つの組み合わせて測定し、COVID-19の異常度と高不透明度の存在度を定量化する。
このアルゴリズムの評価は、カナダ、ヨーロッパ、米国からの200人の参加者(感染者100人、健康管理100人)のCTで報告されている。
論文 参考訳（メタデータ） (2020-04-02T21:49:14Z)
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。