論文の概要: TME-ContextNet: Class-Conditioned Spatial Supervision and Grouped Decoding for Joint Nuclei Instance Segmentation and Classification

• arxiv url: http://arxiv.org/abs/2611.02671v1
• Date: Mon, 02 Nov 2026 07:26:39 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 20:11:20.799507
• Title: TME-ContextNet: Class-Conditioned Spatial Supervision and Grouped Decoding for Joint Nuclei Instance Segmentation and Classification
• Title（参考訳）: TME-ContextNet: 統合核インスタンス分割と分類のためのクラス定義空間スーパービジョンとグループデコード
• Abstract要約: 結合核のインスタンスのセグメンテーションと分類は、正確な境界と近隣情報を必要とする。 クラス条件空間コンテキストを学習するマルチタスクフレームワークであるTME-ContextNetを提案する。 これらの知見は、計算病理学における関節核解析のためのコンパクトでコンテキスト対応の定式化を支援する。
• 参考スコア（独自算出の注目度）: 12.5630791287104
• License:
• Abstract: Joint nuclei instance segmentation and classification requires precise boundaries and neighborhood information that helps distinguish morphologically similar cell types. We present TME-ContextNet, a multi-task framework that learns class-conditioned spatial context from existing nuclear annotations and organizes decoding into geometry-related and semantic task groups. Class-conditioned spatial supervision extends nuclear labels into a dense target using Euclidean distance transforms, requiring no additional tissue-region annotation. We derive its nearest-region interpretation and characterize its stability to small annotation perturbations. A local--global context module combines dilated convolution and self-attention, while a grouped task decoder reduces redundant computation. The spatial head supplies training supervision and is omitted during inference. Experiments on PanMix, CoNSeP, and PanNuke yield Dice scores of 80.23%, 65.32%, and 79.13%, and mean multi-class panoptic quality (mPQ+) scores of 67.62%, 35.50%, and 43.74%, respectively. PanNuke results are averaged across three test folds. Target and decoder controls support the combination of distance-based supervision and grouped decoding while identifying their dependence on task configuration. The framework uses 36.40 million parameters, compared with 54.74 million for HoVer-Net. These findings support a compact, context-aware formulation for joint nuclei analysis in computational pathology.
• Abstract（参考訳）: 結合核のインスタンス分割と分類は、形態学的に類似した細胞型を識別するのに役立つ正確な境界と近傍情報を必要とする。 TME-ContextNetは、既存の核アノテーションからクラス条件空間コンテキストを学習し、デコーディングを幾何学的および意味論的タスクグループに編成するマルチタスクフレームワークである。 クラス条件空間監視は、ユークリッド距離変換を用いて核ラベルを密度の高いターゲットに拡張し、追加の組織領域アノテーションを必要としない。 我々は、その最も近い領域の解釈を導き、その安定性を小さなアノテーション摂動に特徴づける。 ローカル-グローバルコンテキストモジュールは拡張畳み込みと自己アテンションを組み合わせ、グループ化されたタスクデコーダは冗長な計算を減らす。 空間ヘッドは、トレーニングの監督を提供し、推論中に省略される。 PanMix、CoNSeP、PanNukeでの実験では、Diceのスコアは80.23%、65.32%、79.13%となり、MPQ+の平均スコアは67.62%、35.50%、43.74%となっている。 PanNukeの結果は、3つのテストフォールドで平均化されます。 ターゲットとデコーダコントロールは、タスク構成への依存を特定しながら、距離ベースの監視とグループ化されたデコードの組み合わせをサポートする。 フレームワークは3640万のパラメータを使用し、HoVer-Netは5474万である。 これらの知見は、計算病理学における関節核解析のためのコンパクトでコンテキスト対応の定式化を支援する。

関連論文リスト

• CDGC-Net: 3D Medical Image Segmentation with Cooperative Dual-Scale Self-Attention and Grouped Channel Modeling [11.11888950065648]
  CDGC-Netは、協調的な2次元空間的注意とグループ化された階層チャネルモデリングを組み合わせた3次元医用画像セグメンテーションネットワークである。 Synapse、ACDC、BraTS、LAのデータセットでは、CDGC-Netはそれぞれ86.96%、92.91%、82.56%、93.52%の平均値を達成した。
  論文  参考訳（メタデータ） (2026-08-09T08:29:46Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Cluster-First Labelling: An Automated Pipeline for Segmentation and Morphological Clustering in Histology Whole Slide Images [0.0]
  スライド画像全体において組織成分をラベル付けするための,クラウドネイティブなエンドツーエンドパイプラインを提案する。 我々のシステムは貴重な情報を含まないと思われるタイルをフィルタリングする。 組織成分をCellpose-SAMでセグメンテーションし、事前訓練されたResNet-50を介して神経埋め込みを抽出し、UMAPによる次元性を減少させ、DBSCANクラスタリングを用いて形態学的に類似したオブジェクトをグループ化する。 本システムでは, 96.8%の重み付きクラスタラベルアライメント精度を達成し, 組織タイプ13種中7種が完全一致した。
  論文  参考訳（メタデータ） (2026-04-10T14:40:36Z)
• From Topic to Transition Structure: Unsupervised Concept Discovery at Corpus Scale via Predictive Associative Memory [0.0]
  我々は、事前学習した埋め込みを、類似の遷移構造を持つ通路が一緒に集まる結合空間にマッピングする。 k=100のクラスタは平均4,508冊(9,766冊)で、コーパスワイドパターンを確認している。
  論文  参考訳（メタデータ） (2026-03-19T02:26:42Z)
• Prompt Group-Aware Training for Robust Text-Guided Nuclei Segmentation [6.329891529118214]
  我々はグループワイド整合性問題として即時感度を再構成する。 本研究では,6つのゼロショット・クロスデータセットタスクにおいて,Diceを平均2.16ポイント改善することを示す。
  論文  参考訳（メタデータ） (2026-03-06T15:34:08Z)
• Few-Shot Learning for Annotation-Efficient Nucleus Instance Segmentation [50.407071700154674]
  少数ショット学習(FSL)の観点から、アノテーション効率の良い核インスタンスセグメンテーションを定式化することを提案する。 我々の研究は、計算病理学の隆盛とともに、多くの完全注釈付きデータセットが一般に公開されていることに動機づけられた。 いくつかの公開データセットに対する大規模な実験は、SGFSISが他のアノテーション効率のよい学習ベースラインより優れていることを示している。
  論文  参考訳（メタデータ） (2024-02-26T03:49:18Z)
• Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
  核の検出と分類は、疾患の診断に有効な情報を生み出す。 既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。 グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:50:48Z)
• A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology [3.2228025627337864]
  デジタル組織学における核の同時セグメンテーションと分類は、コンピュータによるがん診断において重要な役割を担っている。 最も達成されたバイナリとマルチクラスのPanoptic Quality (PQ)は、それぞれ0.68 bPQと0.49 mPQである。 この作業は、以前のモデルを同時インスタンスのセグメンテーションと分類に拡張します。
  論文  参考訳（メタデータ） (2023-08-22T04:10:14Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• K-Net: Towards Unified Image Segmentation [78.32096542571257]
  K-Netと名付けられたこのフレームワークは、学習可能なカーネルのグループによってインスタンスとセマンティックカテゴリの両方を一貫して分割する。 K-Netは双方向マッチングでエンドツーエンドでトレーニングすることができ、そのトレーニングと推論は自然にNMSフリーで、ボックスフリーである。
  論文  参考訳（メタデータ） (2021-06-28T17:18:21Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。