論文の概要: Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation

• arxiv url: http://arxiv.org/abs/2004.03892v2
• Date: Wed, 15 Apr 2020 12:00:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 09:13:52.409547
• Title: Constrained Multi-shape Evolution for Overlapping Cytoplasm Segmentation
• Title（参考訳）: 重なり合う細胞質セグメンテーションのための制約付き多形進化
• Authors: Youyi Song, Lei Zhu, Baiying Lei, Bin Sheng, Qi Dou, Jing Qin, Kup-Sze Choi
• Abstract要約: 本稿では,制約型多形進化という,新しい,効果的形状の先進的アプローチを提案する。 クランプ内のすべての重なり合う細胞質を同時に分割し、モデル化された形状によって誘導される各細胞質の形状を共同で進化させる。 形状進化においては, 局所形状前兆だけでなく, 大域形状前兆も導入することにより, セグメンテーションの強度不足を補う。
• 参考スコア（独自算出の注目度）: 49.992392231966015
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmenting overlapping cytoplasm of cells in cervical smear images is a clinically essential task, for quantitatively measuring cell-level features in order to diagnose cervical cancer. This task, however, remains rather challenging, mainly due to the deficiency of intensity (or color) information in the overlapping region. Although shape prior-based models that compensate intensity deficiency by introducing prior shape information (shape priors) about cytoplasm are firmly established, they often yield visually implausible results, mainly because they model shape priors only by limited shape hypotheses about cytoplasm, exploit cytoplasm-level shape priors alone, and impose no shape constraint on the resulting shape of the cytoplasm. In this paper, we present a novel and effective shape prior-based approach, called constrained multi-shape evolution, that segments all overlapping cytoplasms in the clump simultaneously by jointly evolving each cytoplasm's shape guided by the modeled shape priors. We model local shape priors (cytoplasm--level) by an infinitely large shape hypothesis set which contains all possible shapes of the cytoplasm. In the shape evolution, we compensate intensity deficiency for the segmentation by introducing not only the modeled local shape priors but also global shape priors (clump--level) modeled by considering mutual shape constraints of cytoplasms in the clump. We also constrain the resulting shape in each evolution to be in the built shape hypothesis set, for further reducing implausible segmentation results. We evaluated the proposed method in two typical cervical smear datasets, and the extensive experimental results show that the proposed method is effective to segment overlapping cytoplasm, consistently outperforming the state-of-the-art methods.
• Abstract（参考訳）: 子宮頸癌を診断するために細胞レベルの特徴を定量的に測定するため,子宮頸部スメア画像における細胞重複細胞質の分節化は臨床的に重要な課題である。 しかし、このタスクは、主に重なり合う領域における強度(または色)の情報不足のために、かなり難しいままである。 細胞質に関する事前の形状情報(形状前)を導入して強度不足を補正する形状先行モデルが確立されているが、主に細胞質に関する限られた形状仮説によってのみ形状前をモデル化し、細胞質レベルの形状前を単独で利用し、その結果の細胞質の形状に形制約を課さないため、視覚的に不明瞭な結果をもたらすことが多い。 本稿では,各細胞質の形状をモデル化された形状にガイドすることで,細胞質の重なり合う細胞質を同時に分割する,制約型多形進化という,新規で効果的な形状事前ベースアプローチを提案する。 細胞質のあらゆる可能な形状を含む無限大形状仮説セットにより局所形状前駆体(細胞質レベル)をモデル化し、形状進化において、モデル化された局所形状前駆体だけでなく、クランプ内の細胞質の相互形状制約を考慮したグローバル形状前駆体(クランプレベル)も導入することにより、セグメンテーションの強度不足を補う。 また,各進化の結果として得られた形状を構築形状仮説集合に限定し,さらに予測不能な分割結果を削減する。 2つの典型的な頚椎スメアデータセットにおいて提案手法を評価し,提案手法が細胞質の重複を分節するのに有効であることを実験的に検討した。

関連論文リスト

• An End-to-End Deep Learning Generative Framework for Refinable Shape Matching and Generation [45.820901263103806]
  In-Silico Clinical Trials (ISCTs) の必要条件としての形状生成モデルの構築 本研究では,非教師なしの幾何学的深層学習モデルを構築し,潜在空間における補修可能な形状対応を確立する。 提案するベースモデルを,より可変性を高めるために,結合形状生成クラスタリングマルチアトラスフレームワークに拡張する。
  論文  参考訳（メタデータ） (2024-03-10T21:33:53Z)
• ConUNETR: A Conditional Transformer Network for 3D Micro-CT Embryonic Cartilage Segmentation [13.497950682194704]
  本研究では, 形態学的に多様な情報を条件付き機構で蒸留するトランスフォーマーを用いた新しいセグメンテーションモデルを提案する。 実験では,他の競合セグメンテーションモデルと比較して,新しいモデルの優位性を示した。
  論文  参考訳（メタデータ） (2024-02-06T04:30:49Z)
• 3D Shape Completion on Unseen Categories:A Weakly-supervised Approach [61.76304400106871]
  未確認のカテゴリから完全な形状を再構築するための、新しい弱教師付きフレームワークを導入する。 まず,各カテゴリから得られたデータを利用して粗い形状を推定する,エンドツーエンドの事前支援型形状学習ネットワークを提案する。 さらに, 粗い形状をさらに洗練させるために, 自己教師型形状改善モデルを提案する。
  論文  参考訳（メタデータ） (2024-01-19T09:41:09Z)
• Implicit Shape Modeling for Anatomical Structure Refinement of Volumetric Medical Images [29.894934602946567]
  暗黙的ニューラルネットワークに基づく3次元形状モデリングとセグメンテーション改善のための統一的なフレームワークを提案する。 形状表現の改善には、インスタンスと潜在テンプレートの両方に暗黙の形状制約が使用される。 肝,膵,肺セグメンテーションを含むバリデーションデータセットの実験は,我々のアプローチの優位性を示している。
  論文  参考訳（メタデータ） (2023-12-11T07:09:32Z)
• A Generative Shape Compositional Framework to Synthesise Populations of Virtual Chimaeras [52.33206865588584]
  複雑な解剖学的構造に対する生成的形状モデルを導入し、未ペアデータセットのデータセットから学習する。 心臓のサブストラクチャのサンプルとして,全音節形状のデータベースから仮想キマエラを構築した。 提案手法は,PCAをベースとした形状モデル(完全データによる学習)を,汎用性と特異性の観点から大きく上回っている。
  論文  参考訳（メタデータ） (2022-10-04T13:36:52Z)
• Landmark-free Statistical Shape Modeling via Neural Flow Deformations [0.5897108307012394]
  本稿では,トレーニングインスタンス間の密接な対応を必要とせず,形状変化を学習する新しい形状モデリング手法であるFlowSSMを提案する。 当モデルでは, 遠位端大腿骨・肝臓に先立って, 表現的かつ頑健な形状を提供することで, 最先端の手法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-14T18:17:19Z)
• tFold-TR: Combining Deep Learning Enhanced Hybrid Potential Energy for Template-Based Modelling Structure Refinement [53.98034511648985]
  現在のテンプレートベースのモデリングアプローチは2つの重要な問題に苦しんでいる。 テンプレートの異なる領域からの距離対の精度は様々であり、この情報はモデリングにはあまり導入されていない。 2つのニューラルネットワークモデルは、欠落した領域の距離情報と、テンプレートモデリング構造における異なる領域の距離ペアの精度を予測する。
  論文  参考訳（メタデータ） (2021-05-10T13:32:12Z)
• Discriminative and Generative Models for Anatomical Shape Analysison Point Clouds with Deep Neural Networks [3.7814216736076434]
  与えられたタスクから低次元の形状表現を学習する解剖学的形状の解析のためのディープニューラルネットワークを導入する。 我々のフレームワークはモジュール構造であり、基本的な形状処理タスクを実行するいくつかの計算ブロックで構成されています。 本稿では, 疾患分類と年齢回帰の判別モデルと, 形状復元のための生成モデルを提案する。
  論文  参考訳（メタデータ） (2020-10-02T07:37:40Z)
• Monocular Human Pose and Shape Reconstruction using Part Differentiable Rendering [53.16864661460889]
  近年の研究では、3次元基底真理によって教師されるディープニューラルネットワークを介してパラメトリックモデルを直接推定する回帰に基づく手法が成功している。 本稿では,ボディセグメンテーションを重要な監視対象として紹介する。 部分分割による再構成を改善するために,部分分割により部分ベースモデルを制御可能な部分レベル微分可能部を提案する。
  論文  参考訳（メタデータ） (2020-03-24T14:25:46Z)

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。