論文の概要: Recognizing Magnification Levels in Microscopic Snapshots

• arxiv url: http://arxiv.org/abs/2005.03748v1
• Date: Thu, 7 May 2020 20:48:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-05 23:41:57.679816
• Title: Recognizing Magnification Levels in Microscopic Snapshots
• Title（参考訳）: 微視的スナップショットにおける拡大レベル認識
• Authors: Manit Zaveri, Shivam Kalra, Morteza Babaie, Sultaan Shah, Savvas Damskinos, Hany Kashani, H.R. Tizhoosh
• Abstract要約: デジタルイメージングはコンピュータビジョンと機械学習を、病理画像を分析する新しいツールに変えた。 デジタル画像の最近の進歩は、コンピュータビジョンと機械学習を、病理画像を分析するための新しいツールに変えた。
• 参考スコア（独自算出の注目度）: 2.6234848946076785
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in digital imaging has transformed computer vision and machine learning to new tools for analyzing pathology images. This trend could automate some of the tasks in the diagnostic pathology and elevate the pathologist workload. The final step of any cancer diagnosis procedure is performed by the expert pathologist. These experts use microscopes with high level of optical magnification to observe minute characteristics of the tissue acquired through biopsy and fixed on glass slides. Switching between different magnifications, and finding the magnification level at which they identify the presence or absence of malignant tissues is important. As the majority of pathologists still use light microscopy, compared to digital scanners, in many instance a mounted camera on the microscope is used to capture snapshots from significant field-of-views. Repositories of such snapshots usually do not contain the magnification information. In this paper, we extract deep features of the images available on TCGA dataset with known magnification to train a classifier for magnification recognition. We compared the results with LBP, a well-known handcrafted feature extraction method. The proposed approach achieved a mean accuracy of 96% when a multi-layer perceptron was trained as a classifier.
• Abstract（参考訳）: デジタルイメージングの最近の進歩は、コンピュータビジョンと機械学習を、病理画像を分析する新しいツールに変えた。 この傾向は、診断病理学におけるいくつかのタスクを自動化し、病理医の作業量を増加させる可能性がある。 がん診断の最終段階は、専門家の病理医によって行われる。 これらの専門家は、高レベルの光学倍率顕微鏡を使用して、生検で得られた組織の微細な特性を観察し、ガラススライドに固定する。 異なる倍率の間を切り替え、悪性組織の有無を識別する倍率レベルを見つけることが重要である。 病理学者の大多数がデジタルスキャナーと比較して光顕微鏡を使っているため、多くの場合、顕微鏡に装着されたカメラは、重要な視野からのスナップショットをキャプチャするために使用される。 このようなスナップショットのリポジトリは通常、倍率情報を含まない。 本稿では,TCGAデータセットで利用可能な画像の深い特徴を抽出し,画像認識のための分類器を訓練する。 その結果,手作り特徴抽出法としてよく知られているlppと比較した。 提案手法は,多層パーセプトロンを分類器として訓練し,平均96%の精度を達成した。

関連論文リスト

• BlurryScope: a cost-effective and compact scanning microscope for automated HER2 scoring using deep learning on blurry image data [0.0]
  ブルリスコープ(BlurryScope)は、組織部位の自動検査・解析のための費用効率が高くコンパクトなソリューションである。 BlurryScopeは、特殊なハードウェアとニューラルネットワークベースのモデルを統合して、モーションレッドな組織像を処理する。
  論文  参考訳（メタデータ） (2024-10-23T04:46:36Z)
• Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
  磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。 コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
  論文  参考訳（メタデータ） (2023-10-16T13:58:53Z)
• Intra-operative Brain Tumor Detection with Deep Learning-Optimized Hyperspectral Imaging [37.21885467891782]
  グリオーマ(内因性脳腫瘍)の手術は、病変の浸潤性により困難である。 リアルタイム, 術中, ラベルフリー, 広視野の道具は使用できない。 術中指導の可能性を秘めた癌切除のための深層学習型診断ツールを構築した。
  論文  参考訳（メタデータ） (2023-02-06T15:52:03Z)
• Voice-assisted Image Labelling for Endoscopic Ultrasound Classification using Neural Networks [48.732863591145964]
  本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。 その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
  論文  参考訳（メタデータ） (2021-10-12T21:22:24Z)
• Increasing a microscope's effective field of view via overlapped imaging and machine learning [4.23935174235373]
  この研究は、高効率自動検体分析のために単一のセンサー上で複数の独立した視野を重畳するマルチレンズ顕微鏡イメージングシステムを示す。
  論文  参考訳（メタデータ） (2021-10-10T22:52:36Z)
• Scope2Screen: Focus+Context Techniques for Pathology Tumor Assessment in Multivariate Image Data [0.0]
  Scope2Screenは、全スライディング、ハイプレックス、組織像のフォーカス+コンテキスト探索とアノテーションのためのスケーラブルなソフトウェアシステムである。 我々のアプローチは、数百万のセルを含む1チャンネルあたり109ピクセル以上の100GBの画像を分析するためにスケールする。 単細胞および組織レベルで機能する対話型レンズ技術を提案する。
  論文  参考訳（メタデータ） (2021-10-10T18:34:13Z)
• MTCD: Cataract Detection via Near Infrared Eye Images [69.62768493464053]
  白内障は一般的な眼疾患であり、盲目や視力障害の主な原因の1つである。 近赤外画像を用いた白内障検出のための新しいアルゴリズムを提案する。 深層学習に基づくアイセグメンテーションとマルチタスクネットワーク分類ネットワークについて述べる。
  論文  参考訳（メタデータ） (2021-10-06T08:10:28Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Selecting Regions of Interest in Large Multi-Scale Images for Cancer Pathology [0.0]
  顕微鏡スライドの高解像度スキャンは、がん病理学者が、複数のスケールと解像度でスライド画像内の特徴の測定に基づいて、がんの存在、サブタイプ、および重症度に関する結論に達するのに十分な情報を提供する。 肝癌,肝細胞癌 (HCC) と胆管癌 (CC) の2種類の1種を含む肝病理組織スライドにおいて,WSIを段階的に拡大して興味領域(ROI)を検出するための強化学習とビームサーチに基づくアプローチを検討する。 これらのROIは病理医に直接提示され、測定と診断を助けるか、または使用される。
  論文  参考訳（メタデータ） (2020-07-03T15:27:41Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)

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。