論文の概要: Bending Loss Regularized Network for Nuclei Segmentation in
Histopathology Images
- arxiv url: http://arxiv.org/abs/2002.01020v1
- Date: Mon, 3 Feb 2020 21:20:50 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 08:49:16.935702
- Title: Bending Loss Regularized Network for Nuclei Segmentation in
Histopathology Images
- Title(参考訳): 病理組織像における核分割のための屈曲損失正規化ネットワーク
- Authors: Haotian Wang, Min Xian, Aleksandar Vakanski
- Abstract要約: 核分割のための曲げ損失正規化ネットワークを提案する。
提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。
曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
- 参考スコア(独自算出の注目度): 69.74667930907314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Separating overlapped nuclei is a major challenge in histopathology image
analysis. Recently published approaches have achieved promising overall
performance on public datasets; however, their performance in segmenting
overlapped nuclei are limited. To address the issue, we propose the bending
loss regularized network for nuclei segmentation. The proposed bending loss
defines high penalties to contour points with large curvatures, and applies
small penalties to contour points with small curvature. Minimizing the bending
loss can avoid generating contours that encompass multiple nuclei. The proposed
approach is validated on the MoNuSeg dataset using five quantitative metrics.
It outperforms six state-of-the-art approaches on the following metrics:
Aggregate Jaccard Index, Dice, Recognition Quality, and Pan-optic Quality.
- Abstract(参考訳): 重なり合う核の分離は病理組織学的画像解析において大きな課題である。
最近発表されたアプローチは、公開データセットの全体的なパフォーマンスを期待できるが、セグメント化重畳された核の性能は限られている。
そこで本研究では,核分割のための曲げ損失正規化ネットワークを提案する。
提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。
曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
提案手法は,5つの定量的指標を用いてMoNuSegデータセット上で検証する。
Aggregate Jaccard Index, Dice, Recognition Quality, Pan-optic Qualityという,6つの最先端のアプローチよりも優れています。
関連論文リスト
- Beyond Point Annotation: A Weakly Supervised Network Guided by Multi-Level Labels Generated from Four-Point Annotation for Thyroid Nodule Segmentation in Ultrasound Image [8.132809580086565]
微妙な結節セグメンテーションの制約を洗練するために、4点アノテーションから多レベルラベルを生成する弱教師付きネットワークを提案する。
提案するネットワークは,2つの公開データセットにおいて,精度とロバスト性に関して,既存の弱教師付き手法よりも優れている。
論文 参考訳(メタデータ) (2024-10-25T06:34:53Z) - Contour-weighted loss for class-imbalanced image segmentation [2.183832403223894]
画像のセグメンテーションは、ほとんど全ての医療画像解析において、自動解釈と処理において極めて重要である。
クラス内とクラス間のデータ不均衡のため、イメージセグメンテーションを実行することはしばしば困難である。
本稿では,コンパクトで効果的な輪郭重み付き損失関数を用いた新しい手法を提案する。
論文 参考訳(メタデータ) (2024-06-07T07:43:52Z) - Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based
Residual U-Blocks Network [9.718765096478371]
核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。
本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。
ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
論文 参考訳(メタデータ) (2023-08-07T08:03:20Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳(メタデータ) (2023-01-24T17:54:01Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳(メタデータ) (2021-09-30T17:29:44Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-07-10T15:41:29Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。