Category Prompt Mamba Network for Nuclei Segmentation and Classification

要約

核のセグメンテーションと分類は、腫瘍免疫微小環境分析に不可欠な基盤を提供します。
以前の核のセグメンテーションおよび分類モデルでは、トレーニングのために大きな画像を小さなパッチに分割する必要があり、2つの重要な問題につながります。
第一に、隣接するパッチの境界での核は、しばしば推論中に誤って整合します。
第二に、このパッチベースのアプローチにより、モデルのトレーニングと推論時間が大幅に増加します。
最近、Mambaは、直線的な時間の複雑さと低いメモリ消費を備えた大規模な画像をモデル化する能力について注目を集めています。
これは、フルサイズの画像で核のセグメンテーションと分類モデルをトレーニングするための有望なソリューションを提供します。
ただし、MAMBAオリエンテーションベースのスキャン方法には、カテゴリ固有の特徴がないため、不均衡なクラス分布を備えたシナリオの最適なパフォーマンスが発生します。
これらの課題に対処するために、このペーパーでは、カテゴリの確率ソートに基づいた新しいスキャン戦略を紹介します。これは、高から低いまでの信頼に応じて、各カテゴリの機能を独立してランク付けおよびスキャンします。
このアプローチは、不確実なサンプルの特徴表現を強化し、不均衡な分布によって引き起こされる問題を軽減します。
4つのパブリックデータセットで実施された広範な実験は、この方法が最先端のアプローチを上回り、核のセグメンテーションと分類タスクで優れたパフォーマンスを提供することを示しています。

要約(オリジナル)

Nuclei segmentation and classification provide an essential basis for tumor immune microenvironment analysis. The previous nuclei segmentation and classification models require splitting large images into smaller patches for training, leading to two significant issues. First, nuclei at the borders of adjacent patches often misalign during inference. Second, this patch-based approach significantly increases the model’s training and inference time. Recently, Mamba has garnered attention for its ability to model large-scale images with linear time complexity and low memory consumption. It offers a promising solution for training nuclei segmentation and classification models on full-sized images. However, the Mamba orientation-based scanning method lacks account for category-specific features, resulting in sub-optimal performance in scenarios with imbalanced class distributions. To address these challenges, this paper introduces a novel scanning strategy based on category probability sorting, which independently ranks and scans features for each category according to confidence from high to low. This approach enhances the feature representation of uncertain samples and mitigates the issues caused by imbalanced distributions. Extensive experiments conducted on four public datasets demonstrate that our method outperforms state-of-the-art approaches, delivering superior performance in nuclei segmentation and classification tasks.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google