C-Norm: 細胞分布正規化による医用細胞画像の精密認識
TCT画像の細胞分布を正規化する新しい手法C-Normは、子宮頸がん検診におけるAIの性能低下に対処する。異常細胞と正常細胞を分離し再合成して均一分布を実現し、YOLOv12とDINOv3のハイブリッドアーキテクチャで検出を行う。実験により最先端の性能を達成した。
子宮頸がんは女性に多いがんであり、早期発見が重要です。薄層液状化細胞診（ThinPrep Cytologic Test, TCT）は広く用いられるスクリーニング法ですが、手動での読み取りは時間がかかり、細胞病理医間で診断結果にばらつきがあります。近年、人工知能（AI）による医用画像解析が進んでいますが、既存のAI検出モデルは実際の臨床環境では性能が低く、主に2つの課題に制限されています。TCTスライドにおける細胞集団の空間分布の不均衡と、専門家による高品質なアノテーションデータの不足です。
これらの問題を解決するために、研究チームは「細胞分布正規化（C-Norm）」法を提案しました。この手法は、元のTCT画像から異常細胞と正常細胞を分離し、再合成して均一な分布を実現することで、分布バイアスによる汎化性能の低下を軽減します。さらに、YOLOv12フレームワークとDINOv3モジュールを統合したハイブリッドアーキテクチャを構築しました。YOLOモデルの高い検出能力とDINOv3の優れた特徴表現を組み合わせることで、TCT画像の精密認識に必要な微妙な形態学的特徴を捉えます。
広範な実験により、提案手法は最先端の性能を達成し、主流の検出アルゴリズムを大幅に上回ることが示されました。完全な実装はGitHub（https://github.com/ddw2AIGROUP2CQUPT/Cell-Norm）で公開されています。本論文は2026年7月14日にarXivに投稿され、Yang Qianl氏を含む8名の研究者が著者です。この研究は、子宮頸がん検診におけるAI支援の精度と信頼性を向上させる新たな道を開くものであり、コンピュータビジョンの細胞病理学への応用を促進することが期待されます。