論文の概要: Weakly supervised multiple instance learning histopathological tumor
segmentation
- arxiv url: http://arxiv.org/abs/2004.05024v4
- Date: Tue, 11 May 2021 12:26:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-14 20:44:45.321809
- Title: Weakly supervised multiple instance learning histopathological tumor
segmentation
- Title(参考訳): 弱教師付き複数症例学習による病理組織学的腫瘍分節
- Authors: Marvin Lerousseau, Maria Vakalopoulou, Marion Classe, Julien Adam,
Enzo Battistella, Alexandre Carr\'e, Th\'eo Estienne, Th\'eophraste Henry,
Eric Deutsch, Nikos Paragios
- Abstract要約: スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
- 参考スコア(独自算出の注目度): 51.085268272912415
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Histopathological image segmentation is a challenging and important topic in
medical imaging with tremendous potential impact in clinical practice. State of
the art methods rely on hand-crafted annotations which hinder clinical
translation since histology suffers from significant variations between cancer
phenotypes. In this paper, we propose a weakly supervised framework for whole
slide imaging segmentation that relies on standard clinical annotations,
available in most medical systems. In particular, we exploit a multiple
instance learning scheme for training models. The proposed framework has been
evaluated on multi-locations and multi-centric public data from The Cancer
Genome Atlas and the PatchCamelyon dataset. Promising results when compared
with experts' annotations demonstrate the potentials of the presented approach.
The complete framework, including $6481$ generated tumor maps and data
processing, is available at https://github.com/marvinler/tcga_segmentation.
- Abstract(参考訳): 病理組織像のセグメンテーションは医用画像において困難かつ重要な話題であり,臨床応用に多大な影響を与える可能性がある。
病理組織学は癌表現型間の有意な変異に苦しむため、臨床翻訳を妨げる手作りのアノテーションに依存している。
本稿では,ほとんどの医療システムで利用可能な標準臨床アノテーションに依拠した全スライド画像分割のための弱い教師付きフレームワークを提案する。
特に、トレーニングモデルに複数のインスタンス学習方式を利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
専門家のアノテーションと比較すると、提示されたアプローチの可能性を示す結果が得られる。
6481ドルの腫瘍マップとデータ処理を含む完全なフレームワークはhttps://github.com/marvinler/tcga_segmentation.comから入手できる。
関連論文リスト
- MV-Swin-T: Mammogram Classification with Multi-view Swin Transformer [0.257133335028485]
マンモグラフィ画像分類における課題に対処するために,トランスフォーマーに基づく革新的なマルチビューネットワークを提案する。
提案手法では,ウィンドウベースの動的アテンションブロックを導入し,マルチビュー情報の効果的な統合を容易にする。
論文 参考訳(メタデータ) (2024-02-26T04:41:04Z) - Continual atlas-based segmentation of prostate MRI [2.17257168063257]
自然な画像分類のために設計された連続学習(CL)法は、しばしば基本的な品質基準に達しない。
我々は,プロトタイプを用いて高品質なセグメンテーションマスクを生成するアトラスベースのセグメンテーション手法であるAtlas Replayを提案する。
我々の結果は、Atlas Replayは堅牢であり、知識を維持しながら、まだ見つからない領域に対してうまく一般化していることを示している。
論文 参考訳(メタデータ) (2023-11-01T14:29:46Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Towards Automated Semantic Segmentation in Mammography Images [0.0]
乳頭, 胸部筋, 線維腺組織, 脂肪組織を, 標準乳房造影画像で区分けするための深層学習ベースの枠組みを提案する。
論文 参考訳(メタデータ) (2023-07-18T15:04:42Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳(メタデータ) (2020-10-09T14:39:27Z) - Robust Pancreatic Ductal Adenocarcinoma Segmentation with
Multi-Institutional Multi-Phase Partially-Annotated CT Scans [25.889684822655255]
膵管腺癌(PDAC)セグメンテーションは最も困難な腫瘍セグメンテーションの1つである。
新たな自己学習フレームワークに基づいて,より多量の患者を用いてPDACセグメンテーションモデルを訓練することを提案する。
実験の結果,提案手法は,注釈付き画像に基づいてトレーニングしたnnUNetの強いベースラインに対して,Diceスコアの6.3%を絶対的に改善することを示した。
論文 参考訳(メタデータ) (2020-08-24T18:50:30Z) - 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)
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。