UniCell: Universal Cell Nucleus Classification via Prompt Learning

要約

マルチクラスの細胞核の認識により、組織病理学的診断のプロセスが大幅に促進されます。
現在、多数の病理学的データセットが利用可能ですが、それらの注釈には一貫性がありません。
既存の手法のほとんどは、関連するラベルを推定するために各データセットに対する個別のトレーニングを必要とし、データセット全体での共通知識の使用が不足しているため、認識の品質が制限されます。
この論文では、さまざまなデータセット領域から病理画像の対応するカテゴリを均一に予測するための新しい即時学習メカニズムを採用したユニバーサル細胞核分類フレームワーク (UniCell) を提案します。
特に、私たちのフレームワークは核の検出と分類にエンドツーエンドのアーキテクチャを採用し、さまざまなデータセットを適応させるために柔軟な予測ヘッドを利用しています。
さらに、複数のデータセットのプロパティを活用して機能を強化するダイナミック プロンプト モジュール (DPM) を開発します。
DPM は、まずデータセットとセマンティック カテゴリの埋め込みを統合し、次に統合されたプロンプトを使用して画像表現を改良し、関連する細胞タイプとデータ ソース間で共有された知識を効率的に収集します。
実験結果は、提案された方法が 4 つの核検出および分類ベンチマークで最先端の結果を効果的に達成することを示しています。
コードとモデルは https://github.com/lhaof/UniCell で入手できます。

要約(オリジナル)

The recognition of multi-class cell nuclei can significantly facilitate the process of histopathological diagnosis. Numerous pathological datasets are currently available, but their annotations are inconsistent. Most existing methods require individual training on each dataset to deduce the relevant labels and lack the use of common knowledge across datasets, consequently restricting the quality of recognition. In this paper, we propose a universal cell nucleus classification framework (UniCell), which employs a novel prompt learning mechanism to uniformly predict the corresponding categories of pathological images from different dataset domains. In particular, our framework adopts an end-to-end architecture for nuclei detection and classification, and utilizes flexible prediction heads for adapting various datasets. Moreover, we develop a Dynamic Prompt Module (DPM) that exploits the properties of multiple datasets to enhance features. The DPM first integrates the embeddings of datasets and semantic categories, and then employs the integrated prompts to refine image representations, efficiently harvesting the shared knowledge among the related cell types and data sources. Experimental results demonstrate that the proposed method effectively achieves the state-of-the-art results on four nucleus detection and classification benchmarks. Code and models are available at https://github.com/lhaof/UniCell

arxiv情報

提供元, 利用サービス

arxiv.jp, Google