論文の概要: PanNuke Dataset Extension, Insights and Baselines
- arxiv url: http://arxiv.org/abs/2003.10778v7
- Date: Wed, 22 Apr 2020 08:52:04 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-20 09:44:28.706889
- Title: PanNuke Dataset Extension, Insights and Baselines
- Title(参考訳): PanNukeデータセット拡張、インサイト、ベースライン
- Authors: Jevgenij Gamper, Navid Alemi Koohbanani, Ksenija Benes, Simon Graham,
Mostafa Jahanifar, Syed Ali Khurram, Ayesha Azam, Katherine Hewitt, Nasir
Rajpoot
- Abstract要約: PanNukeデータセットは、20万個の核からなり、臨床的に重要な5つのクラスに分類される。
PanNukeは19種類の組織から構成されており、半自動で注釈付けされ、臨床病理医によって品質が制御されている。
提案したデータセットに適用した場合のセグメンテーションモデルと分類モデルの性能について検討し,PanNukeでトレーニングしたモデルの全スライディング画像への適用を実証する。
- 参考スコア(独自算出の注目度): 6.955012705377076
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The emerging area of computational pathology (CPath) is ripe ground for the
application of deep learning (DL) methods to healthcare due to the sheer volume
of raw pixel data in whole-slide images (WSIs) of cancerous tissue slides.
However, it is imperative for the DL algorithms relying on nuclei-level details
to be able to cope with data from `the clinical wild', which tends to be quite
challenging.
We study, and extend recently released PanNuke dataset consisting of ~200,000
nuclei categorized into 5 clinically important classes for the challenging
tasks of segmenting and classifying nuclei in WSIs. Previous pan-cancer
datasets consisted of only up to 9 different tissues and up to 21,000 unlabeled
nuclei and just over 24,000 labeled nuclei with segmentation masks. PanNuke
consists of 19 different tissue types that have been semi-automatically
annotated and quality controlled by clinical pathologists, leading to a dataset
with statistics similar to the clinical wild and with minimal selection bias.
We study the performance of segmentation and classification models when applied
to the proposed dataset and demonstrate the application of models trained on
PanNuke to whole-slide images. We provide comprehensive statistics about the
dataset and outline recommendations and research directions to address the
limitations of existing DL tools when applied to real-world CPath applications.
- Abstract(参考訳): cpath(computational pathology, 計算病理学)の新たな分野は、がん組織スライドの全スライディング画像(wsis)における生のピクセルデータの量が多いことによる、深層学習(dl)法を医療に適用するための成熟した基盤である。
しかし、核レベルの詳細に依存したDLアルゴリズムが「臨床野」のデータに対処できることは必須であり、非常に難しい傾向にある。
我々は,最近リリースされたpannukeデータセットを,臨床上重要な5つのクラスに分類し,wsisの核の分割と分類の課題を解決した。
以前のパン・カンサー・データセットは、9つの異なる組織と21,000個の未ラベル核と24,000個以上のラベル付き核から構成されていた。
pannukeは19の異なる組織タイプで構成されており、半自動的な注釈と臨床病理学者によって品質管理されている。
提案するデータセットに適用した場合のセグメンテーションと分類モデルの性能について検討し,pannukeでトレーニングしたモデルの全体スライド画像への適用を示す。
実際のCPathアプリケーションに適用した場合、既存のDLツールの限界に対処するため、データセットに関する包括的な統計情報を提供し、推奨事項と研究の方向性を概説する。
関連論文リスト
- Deep Learning for Wound Tissue Segmentation: A Comprehensive Evaluation using A Novel Dataset [1.6466494928192668]
深層学習(DL)技術は、医療創傷組織セグメンテーションの有望な解決策として浮上している。
本研究は,創部組織分節の様々なDLモデルについて,新しいデータセットを用いて包括的に評価した。
FPN+VGG16は創部組織セグメンテーションのトップパフォーマンスDLモデルとして登場し、ダイススコアは82.25%に達した。
論文 参考訳(メタデータ) (2025-02-15T03:16:11Z) - ISLES 2024: The first longitudinal multimodal multi-center real-world dataset in (sub-)acute stroke [2.7919032539697444]
ストロークは世界的死亡率と死亡率の主要な原因であり、社会経済的重荷を負っている。
脳卒中画像から有意義で再現可能な脳機能のモデルを抽出できる機械学習アルゴリズムを開発する。
このデータセットは, 血管造影と灌流による急性CT像, 2~9日間の経過観察, 急性期, 慢性期の臨床データなど, 経時的脳梗塞の包括的データとして初めて提供された。
論文 参考訳(メタデータ) (2024-08-20T18:59:52Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳(メタデータ) (2024-08-19T15:04:42Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Towards Unifying Anatomy Segmentation: Automated Generation of a
Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。
提案手法はラベル集約段階において手作業によるアノテーションに依存しない。
我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文 参考訳(メタデータ) (2023-07-25T09:48:13Z) - CellViT: Vision Transformers for Precise Cell Segmentation and
Classification [3.6000652088960785]
本稿では,視覚変換器(CellViT)を用いた深層学習アーキテクチャを用いて,デジタル化された組織試料中の細胞核のインスタンス分割を自動化する手法を提案する。
我々は、最近発表されたSegment Anything Modelと1億4000万の組織像パッチに事前トレーニングされたViTエンコーダを活用することで、大規模なドメイン内および外部トレーニングされたビジョントランスの優位性を実証する。
論文 参考訳(メタデータ) (2023-06-27T10:03:15Z) - PointNu-Net: Keypoint-assisted Convolutional Neural Network for
Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。
本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
論文 参考訳(メタデータ) (2021-11-01T08:29:40Z) - Deep Mining External Imperfect Data for Chest X-ray Disease Screening [57.40329813850719]
我々は、外部のCXRデータセットを組み込むことで、不完全なトレーニングデータにつながると論じ、課題を提起する。
本研究は,多ラベル病分類問題を重み付き独立二分課題として分類する。
我々のフレームワークは、ドメインとラベルの相違を同時にモデル化し、対処し、優れた知識マイニング能力を実現する。
論文 参考訳(メタデータ) (2020-06-06T06:48:40Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z) - A Generalized Deep Learning Framework for Whole-Slide Image Segmentation
and Analysis [0.20065923589074736]
病理組織分析は癌診断と予後における金の基準と考えられている。
深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。
本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
論文 参考訳(メタデータ) (2020-01-01T18:05:44Z)
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。