Open fulfulggg opened 2 hours ago
インスタンスセグメンテーションは、組織や細胞などの生物医学的実体の形態学的定量化において重要な役割を果たし、異なる構造の正確な識別と描写を可能にします。現在の方法は、接触、重複、または交差するインスタンスの課題に個々のモデリングを通じて対処することが多く、これらの条件間の本質的な相互関係を無視しています。本研究では、インスタンス勾配情報を利用して局所勾配異常領域を認識し、インスタンス間の空間的関係をモデル化し、局所領域のセグメンテーションを洗練化する、勾配異常認識型生物医学インスタンスセグメンテーション手法(GAInS)を提案します。具体的には、GAInSはまず、ウィンドウスライディングを通じてインスタンスの放射状フィールドをエンコードしてインスタンス勾配異常マップを取得する、勾配異常マッピングモジュール(GAMM)に基づいて構築されます。勾配異常アテンションを用いて境界と領域を効率的に絞り込むために、勾配異常認識型損失関数を持つ適応型局所絞り込みモジュール(ALRM)を提案します。3つの生物医学的シナリオにおける広範な比較とアブレーション実験により、提案するGAInSが他の最先端(SOTA)インスタンスセグメンテーション手法よりも優れていることが実証されました。コードはhttps://github.com/DeepGAInS/GAInSで入手できます。
@yukihiko-fuyuki が以下のラベルを提案し、適用しました:
タイトル: GAInS:勾配異常認識に基づく医用画像インスタンスセグメンテーション
リンク: https://arxiv.org/abs/2409.13988
概要:
インスタンスセグメンテーションは、組織や細胞などの生物医学的実体の形態学的定量化において重要な役割を果たし、異なる構造の正確な識別と描写を可能にします。現在の方法は、接触、重複、または交差するインスタンスの課題に個々のモデリングを通じて対処することが多く、これらの条件間の本質的な相互関係を無視しています。本研究では、インスタンス勾配情報を利用して局所勾配異常領域を認識し、インスタンス間の空間的関係をモデル化し、局所領域のセグメンテーションを洗練化する、勾配異常認識型生物医学インスタンスセグメンテーション手法(GAInS)を提案します。具体的には、GAInSはまず、ウィンドウスライディングを通じてインスタンスの放射状フィールドをエンコードしてインスタンス勾配異常マップを取得する、勾配異常マッピングモジュール(GAMM)に基づいて構築されます。勾配異常アテンションを用いて境界と領域を効率的に絞り込むために、勾配異常認識型損失関数を持つ適応型局所絞り込みモジュール(ALRM)を提案します。3つの生物医学的シナリオにおける広範な比較とアブレーション実験により、提案するGAInSが他の最先端(SOTA)インスタンスセグメンテーション手法よりも優れていることが実証されました。コードはhttps://github.com/DeepGAInS/GAInSで入手できます。