Fugu-MT 論文翻訳(概要): TCINet: Tissue-Conditioned Adaptive Cross-Branch Interaction Network for Nuclei Instance Segmentation

論文の概要: TCINet: Tissue-Conditioned Adaptive Cross-Branch Interaction Network for Nuclei Instance Segmentation

arxiv url: http://arxiv.org/abs/2611.04235v1
Date: Tue, 03 Nov 2026 03:13:54 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-11 00:55:54.24167
Title: TCINet: Tissue-Conditioned Adaptive Cross-Branch Interaction Network for Nuclei Instance Segmentation
Title（参考訳）: TCINet: Nucleiインスタンスセグメンテーションのための組織適合型アダプティブクロスブランチインタラクションネットワーク
Abstract要約: 本稿では,タスク特化特徴適応器(TSFA)と組織適合型タスク対応クロスブランチインタラクション(TC-TACBI)を用いた単一段階モデルを提案する。 TSFAはスキップ接続時に枝特異的な特徴を生成し、TC-TACBIは予測された組織確率を用いて、核プレゼンス(NP)、水平垂直枝(HV)、核型枝(NT)の3つの非対称経路を制御する。
参考スコア（独自算出の注目度）: 4.457222403554033
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Separating touching nuclei requires local boundary detail, while cell type classification requires broader morphological context. These requirements also vary with the surrounding tissue environment. We propose the Tissue-Conditioned Adaptive Cross-Branch Interaction Network (TCINet), a single-stage model with Task-Specific Feature Adapters (TSFA) and Tissue-Conditioned Task-Aware Cross-Branch Interaction (TC-TACBI). TSFA produces branch-specific features at skip connections, and TC-TACBI controls three asymmetric paths among nucleus-presence (NP), horizontal-vertical (HV), and nucleus-type (NT) branches using predicted tissue probabilities. On PanNuke under standard three-fold cross-validation, TCINet achieves multiclass and binary panoptic quality scores of 0.519 and 0.692, respectively. Zero-shot tests on MoNuSeg yield a detection F1 score of 0.876. On PanNuke fold 0, adding TC-TACBI increases mPQ from 0.505 to 0.525. Code is available at https://github.com/celestial1321/TCINet.
Abstract（参考訳）: 接触核を分離するには局所的な境界の詳細が必要であるが、細胞型分類はより広い形態学的文脈を必要とする。これらの要件は、周囲の組織環境によっても異なる。本稿では,組織適合型適応型クロスブランチインタラクションネットワーク (TCINet) を提案し,タスク特化特徴適応 (TSFA) と組織適合型タスク対応クロスブランチインタラクション (TC-TACBI) を併用した単一ステージモデルを提案する。 TSFAはスキップ接続時に枝特異的な特徴を生成し、TC-TACBIは予測された組織確率を用いて、核プレゼンス(NP)、水平垂直枝(HV)、核型枝(NT)の3つの非対称経路を制御する。標準的な3倍のクロスバリデーションの下でのPanNukeでは、TINetは、それぞれ0.519と0.692のマルチクラスとバイナリのパノプティスコアを達成している。 MoNuSegのゼロショット試験では、検出F1スコアは0.876である。 PanNuke fold 0 では、TC-TACBI が追加され、mPQ は0.505 から0.525 に増加する。コードはhttps://github.com/celestial1321/TCINetで入手できる。

関連論文リスト

Cascade Classification of Dermoscopic Images of Skin Neoplasms with Controllable Sensitivity and External Clinical Validation [36.94429692322632]
二段式(悪性/良性)、一段式(良性、MEL、SCC、BCC)、二段式(二段式トリアージ、三段式MEL/SCC/BCC)の3種類を比較した。すべてのモデルはImageNet-pretrained weightsを使用し、オープンなISICアーカイブデータに1つの拡張プロトコルを使用した。 ISIC MILK10kでは、11級の直接分類により平均級感度0.525が得られる。
論文参考訳（メタデータ） (2026-06-11T09:55:57Z)
BRIDGE and TCH-Net: Heterogeneous Benchmark and Multi-Branch Baseline for Cross-Domain IoT Botnet Detection [1.2019888796331233]
IoTボットネット検出は進歩しているが、ほとんどの公開システムは単一のデータセットで検証されており、環境全体にわたって一般化されることはめったにない。 BRIDGEは、IoT侵入検知のための、初めて公式に指定された異種マルチデータセットベンチマークである。我々は,LODO F1 = 0.5577 において,単一ベンチマーク最適化からクロス環境一般化へとアジェンダをシフトさせる最初のコミュニティ一般化ベースラインを確立する。
論文参考訳（メタデータ） (2026-04-13T11:25:39Z)
Test time training enhances in-context learning of nonlinear functions [51.56484100374058]
テストタイムトレーニング(TTT)は、各予測に先立って指定されたパラメータを明示的に更新することで、モデル性能を向上させる。本研究では,TTTとテキスト内学習(ICL)の組み合わせについて検討する。
論文参考訳（メタデータ） (2025-09-30T03:56:44Z)
Unit-Based Histopathology Tissue Segmentation via Multi-Level Feature Representation [36.53156355717765]
UTSは病理組織学のための単位ベースの組織分節フレームワークである。各ピクセルではなく、各固定サイズ32×32タイルをセグメンテーション単位として分類する。腫瘍ストローマ定量化や外科的マージン評価などの臨床的に関係のあるタスクをサポートする。
論文参考訳（メタデータ） (2025-07-16T17:15:18Z)
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)
TransNuSeg: A Lightweight Multi-Task Transformer for Nuclei Segmentation [6.369485141013728]
我々は、TransNuSegと呼ばれる核セグメンテーションのための純粋なトランスフォーマーフレームワークの最初の試みを行う。従来の研究で異なる枝から分岐予測を除去するために、枝間の一貫性を明示的に規定する新たな自己蒸留損失を導入する。 MoNuSegを含む2つのデータセットの実験により、我々の手法は、パラメータを30%減らして、最先端のDiceを2-3%向上させることができることが示された。
論文参考訳（メタデータ） (2023-07-16T14:12:54Z)
CellViT: Vision Transformers for Precise Cell Segmentation and Classification [3.6000652088960785]
本稿では,視覚変換器(CellViT)を用いた深層学習アーキテクチャを用いて,デジタル化された組織試料中の細胞核のインスタンス分割を自動化する手法を提案する。我々は、最近発表されたSegment Anything Modelと1億4000万の組織像パッチに事前トレーニングされたViTエンコーダを活用することで、大規模なドメイン内および外部トレーニングされたビジョントランスの優位性を実証する。
論文参考訳（メタデータ） (2023-06-27T10:03:15Z)
Segmentation of Aortic Vessel Tree in CT Scans with Deep Fully Convolutional Networks [4.062948258086793]
大動脈疾患の早期発見,診断,予後には,CTスキャンによる大動脈血管木の自動的,正確な分画が不可欠である。我々は2段階の完全畳み込みネットワーク(FCN)を用いて、複数のセンターからスキャン中のAVTを自動的に分割する。
論文参考訳（メタデータ） (2023-05-16T22:24:01Z)
Prompt Tuning for Parameter-efficient Medical Image Segmentation [79.09285179181225]
2つの医用画像データセットのセマンティックセグメンテーションにパラメータ効率が良いが効果的な適応を実現するために,いくつかのコントリビューションを提案し,検討する。我々はこのアーキテクチャを、オンライン生成プロトタイプへの割り当てに基づく専用密集型セルフスーパービジョンスキームで事前訓練する。得られたニューラルネットワークモデルにより、完全に微調整されたモデルとパラメータに適応したモデルとのギャップを緩和できることを実証する。
論文参考訳（メタデータ） (2022-11-16T21:55:05Z)
Revisiting Realistic Test-Time Training: Sequential Inference and Adaptation by Anchored Clustering [37.76664203157892]
テスト時アンカークラスタリング(TTAC)アプローチを開発し,より強力なテスト時特徴学習を実現する。 TTACはソースドメインとターゲットドメインの両方のクラスタを検出し、ターゲットクラスタとソースクラスタを一致させて、一般化を改善する。すべてのTTプロトコルにおいて,TTACは5つのTTデータセットの最先端手法よりも一貫して優れていることを示す。
論文参考訳（メタデータ） (2022-06-06T16:23:05Z)

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。