Fugu-MT 論文翻訳(概要): Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images

論文の概要: Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images

arxiv url: http://arxiv.org/abs/2006.06038v2
Date: Thu, 25 Mar 2021 19:28:44 GMT
ステータス: 処理完了
システム内更新日: 2022-11-23 05:59:36.309759
Title: Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images
Title（参考訳）: map3d: 登録に基づく3次元連続スライド画像のマルチオブジェクト追跡
Authors: Ruining Deng, Haichun Yang, Aadarsh Jha, Yuzhe Lu, Peng Chu, Agnes B. Fogo, Yuankai Huo
Abstract要約: 本稿では,3Dオブジェクトの大規模断面の自動同定と関連付けを行う3D(Map3D)手法を提案する。提案手法はMOTA=44.6であり,非ディープラーニングベンチマークよりも12.1%高い。
参考スコア（独自算出の注目度）: 10.519063258650508
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: There has been a long pursuit for precise and reproducible glomerular quantification on renal pathology to leverage both research and practice. When digitizing the biopsy tissue samples using whole slide imaging (WSI), a set of serial sections from the same tissue can be acquired as a stack of images, similar to frames in a video. In radiology, the stack of images (e.g., computed tomography) are naturally used to provide 3D context for organs, tissues, and tumors. In pathology, it is appealing to do a similar 3D assessment. However, the 3D identification and association of large-scale glomeruli on renal pathology is challenging due to large tissue deformation, missing tissues, and artifacts from WSI. In this paper, we propose a novel Multi-object Association for Pathology in 3D (Map3D) method for automatically identifying and associating large-scale cross-sections of 3D objects from routine serial sectioning and WSI. The innovations of the Map3D method are three-fold: (1) the large-scale glomerular association is formed as a new multi-object tracking (MOT) perspective; (2) the quality-aware whole series registration is proposed to not only provide affinity estimation but also offer automatic kidney-wise quality assurance (QA) for registration; (3) a dual-path association method is proposed to tackle the large deformation, missing tissues, and artifacts during tracking. To the best of our knowledge, the Map3D method is the first approach that enables automatic and large-scale glomerular association across 3D serial sectioning using WSI. Our proposed method Map3D achieved MOTA= 44.6, which is 12.1% higher than the non deep learning benchmarks.
Abstract（参考訳）: 腎病理学の正確かつ再現可能な糸球体定量化は、研究と実践の両方を活用するために長い間研究されてきた。全スライド画像(WSI)を用いて生検組織サンプルをデジタル化する際、同じ組織から連続した一組の断片を、ビデオのフレームに似た画像のスタックとして取得することができる。放射線学では、画像のスタック(例えばct)は自然に臓器、組織、腫瘍の3dコンテキストを提供するために使用される。病理学では、同様の3次元評価を行うことが望ましい。しかし, 腎病理における大規模糸球体の3次元同定と関連性は, 組織変形, 欠損組織, およびWSIの人工物により困難である。本稿では,3Dオブジェクトの大規模断面を自動的に識別し,関連づける新しい3D(Map3D)手法を提案する。本手法の革新は,(1) 大規模糸球体アソシエーションを新たな多目的追跡(MOT)視点として形成すること,(2) 親和性評価を提供するだけでなく,登録のための自動腎臓品質保証(QA)を提供すること,(3) 追跡中の大きな変形,欠損組織,アーティファクトに対処するための二重経路アソシエーション法を提案すること,の3つである。我々の知る限り、Map3D法はWSIを用いた3次元連続断面積の自動的および大規模糸球体アソシエーションを可能にする最初の手法である。提案手法はMOTA=44.6であり,非ディープラーニングベンチマークよりも12.1%高い。

関連論文リスト

Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。 MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
論文参考訳（メタデータ） (2024-08-26T17:15:37Z)
μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
論文参考訳（メタデータ） (2024-06-24T15:29:08Z)
Generative Enhancement for 3D Medical Images [74.17066529847546]
本稿では,3次元医用画像合成の新しい生成手法であるGEM-3Dを提案する。本手法は2次元スライスから始まり,3次元スライスマスクを用いて患者に提供するための情報スライスとして機能し,生成過程を伝搬する。 3D医療画像をマスクと患者の事前情報に分解することで、GEM-3Dは多目的な3D画像を生成する柔軟な、かつ効果的なソリューションを提供する。
論文参考訳（メタデータ） (2024-03-19T15:57:04Z)
On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
甲状腺疾患は高分解能超音波(US)で診断されることが多い縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
論文参考訳（メタデータ） (2023-09-01T10:10:46Z)
Multi-View Vertebra Localization and Identification from CT Images [57.56509107412658]
我々は,CT画像からの多視点椎体局在と同定を提案する。本研究では,3次元問題を異なる視点における2次元局所化および識別タスクに変換する。本手法は,多視点グローバル情報を自然に学習することができる。
論文参考訳（メタデータ） (2023-07-24T14:43:07Z)
QU-net++: Image Quality Detection Framework for Segmentation of 3D Medical Image Stacks [0.9594432031144714]
U-net++モデルを用いて3次元画像スタックから医用画像の品質を評価する2段階自動評価手法を提案する。検出された画像は、セマンティックセグメンテーションのためにU-net++モデルをさらに微調整するために使用することができる。
論文参考訳（メタデータ） (2021-10-27T05:28:02Z)
CPNet: Cycle Prototype Network for Weakly-supervised 3D Renal Compartments Segmentation on CT Images [14.756502627336305]
腹部CTA画像から腎部分の3次元構造を抽出することを目的としたCT画像の腎部分分割本稿では、3次元腎コンパートメントセグメンテーションのための弱教師付き学習フレームワークであるCycle Prototype Networkを提案する。我々のモデルは4つのラベル付き画像で79.1%と78.7%を達成し、典型的なプロトタイプPANetよりも約20%向上した。
論文参考訳（メタデータ） (2021-08-15T06:54:38Z)
Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文参考訳（メタデータ） (2021-07-06T14:50:03Z)
Revisiting 3D Context Modeling with Supervised Pre-training for Universal Lesion Detection in CT Slices [48.85784310158493]
CTスライスにおける普遍的病変検出のための3Dコンテキスト強化2D特徴を効率的に抽出するための修飾擬似3次元特徴ピラミッドネットワーク(MP3D FPN)を提案する。新たな事前学習手法により,提案したMP3D FPNは,DeepLesionデータセット上での最先端検出性能を実現する。提案された3Dプリトレーニングウェイトは、他の3D医療画像分析タスクのパフォーマンスを高めるために使用できる。
論文参考訳（メタデータ） (2020-12-16T07:11:16Z)
PerMO: Perceiving More at Once from a Single Image for Autonomous Driving [76.35684439949094]
単一画像から完全テクスチャ化された車両の3次元モデルを検出し,セグメント化し,再構成する新しい手法を提案する。私たちのアプローチは、ディープラーニングの強みと従来のテクニックの優雅さを組み合わせています。我々はこれらのアルゴリズムを自律運転システムに統合した。
論文参考訳（メタデータ） (2020-07-16T05:02:45Z)

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。