論文の概要: A Comparative Study of U-Net Topologies for Background Removal in
Histopathology Images
- arxiv url: http://arxiv.org/abs/2006.06531v1
- Date: Mon, 8 Jun 2020 16:41:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 02:46:16.949646
- Title: A Comparative Study of U-Net Topologies for Background Removal in
Histopathology Images
- Title（参考訳）: 病理組織像における背景除去のためのU-Netトポロジーの比較検討
- Authors: Abtin Riasatian, Maral Rasoolijaberi, Morteza Babaei, H.R. Tizhoosh
- Abstract要約: 我々は異なるネットワークバックボーンでU-Netアーキテクチャの実験を行い、背景とWhole Slide Imagesのアーティファクトを除去する。
我々は,The Cancer Genome Atlas (TCGA)データセットを手作業でラベル付けしたサブセットを用いてネットワークをトレーニングし,評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: During the last decade, the digitization of pathology has gained considerable
momentum. Digital pathology offers many advantages including more efficient
workflows, easier collaboration as well as a powerful venue for telepathology.
At the same time, applying Computer-Aided Diagnosis (CAD) on Whole Slide Images
(WSIs) has received substantial attention as a direct result of the
digitization. The first step in any image analysis is to extract the tissue.
Hence, background removal is an essential prerequisite for efficient and
accurate results for many algorithms. In spite of the obvious discrimination
for human operators, the identification of tissue regions in WSIs could be
challenging for computers, mainly due to the existence of color variations and
artifacts. Moreover, some cases such as alveolar tissue types, fatty tissues,
and tissues with poor staining are difficult to detect. In this paper, we
perform experiments on U-Net architecture with different network backbones
(different topologies) to remove the background as well as artifacts from WSIs
in order to extract the tissue regions. We compare a wide range of backbone
networks including MobileNet, VGG16, EfficientNet-B3, ResNet50, ResNext101 and
DenseNet121. We trained and evaluated the network on a manually labeled subset
of The Cancer Genome Atlas (TCGA) Dataset. EfficientNet-B3 and MobileNet by
almost 99% sensitivity and specificity reached the best results.
- Abstract（参考訳）: 過去10年間で、病理のデジタル化はかなりの勢いを増した。
デジタル病理学には、より効率的なワークフロー、より簡単なコラボレーション、テレパロジーのための強力な場所など、多くの利点がある。
同時に、コンピュータ支援診断(CAD)を全スライド画像(WSI)に適用することは、デジタル化の直接的な結果としてかなりの注目を集めている。
画像解析の最初のステップは、組織を抽出することです。
したがって、背景除去は多くのアルゴリズムに対して効率的かつ正確な結果を得るために必要不可欠である。
ヒトの操作者に対する明らかな差別にもかかわらず、wsisの組織領域の同定は、主に色の変化や人工物の存在からコンピュータにとって困難である。
また, 歯槽組織型, 脂肪組織, 染色不良組織などの一部の症例では検出が困難である。
本稿では,異なるネットワークバックボーン(異なるトポロジ)を用いたU-Netアーキテクチャの実験を行い,組織領域を抽出するために,WSIの背景やアーチファクトを除去する。
我々はMobileNet、VGG16、EfficientNet-B3、ResNet50、ResNext101、DenseNet121を含む幅広いバックボーンネットワークを比較した。
我々は、癌ゲノムアトラス(tcga)データセットの手動ラベル付きサブセットでネットワークを訓練し、評価した。
efficientnet-b3とmobilenetは99%の感度と特異性で最高の結果を得た。
関連論文リスト
- Automatic Tissue Differentiation in Parotidectomy using Hyperspectral Imaging [43.158227137013874]
この研究では、400-1000$ nmの範囲で超スペクトルデータを持つ3次元畳み込みニューラルネットワークを用いる。
取得システムはステレオHSIシステムを作成する2台のマルチスペクトルスナップショットカメラで構成された。
論文 参考訳（メタデータ） (2024-12-06T09:20:59Z) - HistoSegCap: Capsules for Weakly-Supervised Semantic Segmentation of
Histological Tissue Type in Whole Slide Images [19.975420988169454]
デジタル病理学では、物理的組織スライドを高解像度の全体スライド画像(WSI)に変換する。
多数の顕微鏡フィールドを持つ大きな組織学スライドは、ビジュアルサーチの課題を提起する。
コンピュータ支援診断システム(CAD)は、WSIを効率的に検査し、診断に関連のある領域を識別するための視覚的補助を提供する。
論文 参考訳（メタデータ） (2024-02-16T17:44:11Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳（メタデータ） (2022-01-04T03:09:40Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳（メタデータ） (2021-06-13T18:55:23Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - HATNet: An End-to-End Holistic Attention Network for Diagnosis of Breast
Biopsy Images [39.82731558467617]
乳房生検画像の分類を行うために,新しい注意型ネットワークであるHATNetを導入する。
自己注意を用いてグローバル情報をエンコードし、明示的な監督なしに臨床的に関係のある組織構造から表現を学習することができる。
本分析の結果,HATNetは臨床的に関連のある構造から表現を学習し,ヒト病理学者の分類精度に適合していることが判明した。
論文 参考訳（メタデータ） (2020-07-25T20:42:21Z) - Interactive Deep Refinement Network for Medical Image Segmentation [13.698408475104452]
従来のセマンティックセグメンテーションネットワークを改善するための対話型ディープリファインメントフレームワークを提案する。
提案するフレームワークでは,従来のセグメンテーションネットワークに改良ネットワークを追加し,結果を改善した。
公開データセットによる実験結果から,提案手法が他の最先端手法よりも高い精度を達成できることが判明した。
論文 参考訳（メタデータ） (2020-06-27T08:24:46Z)
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。