AMA-SAM: Adversarial Multi-Domain Alignment of Segment Anything Model for High-Fidelity Histology Nuclei Segmentation

要約

組織病理学の画像における細胞核の正確なセグメンテーションは、多数の生物医学研究と臨床応用に不可欠です。
ただし、既存の細胞核セグメンテーション法は、単一のデータセット（つまり、一次ドメイン）のみを考慮し、多様なソース（つまり、補助ドメイン）からの補足データを活用して、過剰適合とパフォーマンスを強化することを無視します。
複数のデータセットを組み込むと、過剰適合が軽減される可能性がありますが、ドメインシフトによって引き起こされるパフォーマンスの低下を悪化させることがよくあります。
この作業では、2つの重要な革新を通じてこれらの障害を克服するためにセグメントAnyment Model（SAM）を拡張するSegment Anyment Anymish Anymish Anymish Anymish Anymish Anymish Anyment Model（AMA-SAM）の敵対的なマルチドメインアライメントを導入します。
まず、主要なデータセットの重要な識別機能を維持しながら、ドメインに不変の表現学習を促進するために特徴を調和させるマルチドメインアライメントモジュールである条件付き勾配反転層（CGRL）を提案します。
第二に、高解像度のデコーダー（HR-デコーダー）を設計することにより、SAMの固有の低解像度出力に対処します。これは、高解像度の組織学画像で複雑な核境界をキャプチャするために、細粒のセグメンテーションマップを直接生成します。
私たちの知る限り、これは組織学の核セグメンテーションへの適用を伴うマルチダタセット学習にSAMを適応させる最初の試みです。
いくつかの公開されたデータセットでメソッドを検証し、最先端のアプローチよりも一貫した大幅な改善を示しています。

要約(オリジナル)

Accurate segmentation of cell nuclei in histopathology images is essential for numerous biomedical research and clinical applications. However, existing cell nucleus segmentation methods only consider a single dataset (i.e., primary domain), while neglecting to leverage supplementary data from diverse sources (i.e., auxiliary domains) to reduce overfitting and enhance the performance. Although incorporating multiple datasets could alleviate overfitting, it often exacerbates performance drops caused by domain shifts. In this work, we introduce Adversarial Multi-domain Alignment of Segment Anything Model (AMA-SAM) that extends the Segment Anything Model (SAM) to overcome these obstacles through two key innovations. First, we propose a Conditional Gradient Reversal Layer (CGRL), a multi-domain alignment module that harmonizes features from diverse domains to promote domain-invariant representation learning while preserving crucial discriminative features for the primary dataset. Second, we address SAM’s inherent low-resolution output by designing a High-Resolution Decoder (HR-Decoder), which directly produces fine-grained segmentation maps in order to capture intricate nuclei boundaries in high-resolution histology images. To the best of our knowledge, this is the first attempt to adapt SAM for multi-dataset learning with application to histology nuclei segmentation. We validate our method on several publicly available datasets, demonstrating consistent and significant improvements over state-of-the-art approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google