論文の概要: Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images
- arxiv url: http://arxiv.org/abs/2007.05448v1
- Date: Fri, 10 Jul 2020 15:41:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 22:07:18.418419
- Title: Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images
- Title（参考訳）: 病理組織像における部分点アノテーションによる深層核分割の監督
- Authors: Hui Qu, Pengxiang Wu, Qiaoying Huang, Jingru Yi, Zhennan Yan, Kang Li,
Gregory M. Riedlinger, Subhajyoti De, Shaoting Zhang, Dimitris N. Metaxas
- Abstract要約: 本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
- 参考スコア（独自算出の注目度）: 51.893494939675314
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Nuclei segmentation is a fundamental task in histopathology image analysis.
Typically, such segmentation tasks require significant effort to manually
generate accurate pixel-wise annotations for fully supervised training. To
alleviate such tedious and manual effort, in this paper we propose a novel
weakly supervised segmentation framework based on partial points annotation,
i.e., only a small portion of nuclei locations in each image are labeled. The
framework consists of two learning stages. In the first stage, we design a
semi-supervised strategy to learn a detection model from partially labeled
nuclei locations. Specifically, an extended Gaussian mask is designed to train
an initial model with partially labeled data. Then, selftraining with
background propagation is proposed to make use of the unlabeled regions to
boost nuclei detection and suppress false positives. In the second stage, a
segmentation model is trained from the detected nuclei locations in a
weakly-supervised fashion. Two types of coarse labels with complementary
information are derived from the detected points and are then utilized to train
a deep neural network. The fully-connected conditional random field loss is
utilized in training to further refine the model without introducing extra
computational complexity during inference. The proposed method is extensively
evaluated on two nuclei segmentation datasets. The experimental results
demonstrate that our method can achieve competitive performance compared to the
fully supervised counterpart and the state-of-the-art methods while requiring
significantly less annotation effort.
- Abstract（参考訳）: 核セグメンテーションは病理画像解析の基本的な課題である。
通常、これらのセグメンテーションタスクは、完全な教師付きトレーニングのために正確なピクセル単位でのアノテーションを手動で生成するためにかなりの労力を必要とする。
このような退屈で手動的な作業を軽減するため、この論文では、部分点アノテーションに基づく、各画像内の核位置のごく一部をラベル付けする、弱制御されたセグメンテーションフレームワークを提案する。
フレームワークは2つの学習段階で構成される。
最初の段階では、部分的にラベル付けされた核位置から検出モデルを学習するための半教師付き戦略を設計する。
具体的には、拡張ガウスマスクは、部分的にラベル付けされたデータで初期モデルをトレーニングするために設計されている。
そこで, 背景伝播を用いた自己学習手法を提案し, 未標識領域を用いて核検出を促進し, 偽陽性を抑制する。
第2段階では、検出された核位置から弱い教師付きでセグメンテーションモデルを訓練する。
検出された点から相補的な情報を持つ2種類の粗いラベルが導出され、深層ニューラルネットワークのトレーニングに使用される。
完全に接続された条件付きランダムフィールド損失は、推論中に余分な計算複雑性を導入することなく、モデルをさらに洗練するために訓練で利用される。
提案手法は2つの核セグメンテーションデータセットに対して広範に評価される。
実験の結果,本手法は,完全教師付き手法や最先端手法に比べて,アノテーションの労力をかなり少なくして,競争力の高い性能が得られることがわかった。
関連論文リスト
- Cyclic Learning: Bridging Image-level Labels and Nuclei Instance
Segmentation [19.526504045149895]
本稿では,この問題を解決するために,循環学習と呼ばれる画像レベルの弱教師付き手法を提案する。
サイクルラーニングは、フロントエンドの分類タスクと、バックエンドの半教師付きインスタンスセグメンテーションタスクで構成される。
3つのデータセットを用いた実験は、核インスタンスのセグメンテーションにおいて、他の画像レベルの弱教師付き手法よりも優れた、我々の手法の優れた一般性を示す。
論文 参考訳（メタデータ） (2023-06-05T08:32:12Z) - SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。
注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。
本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文 参考訳（メタデータ） (2023-03-15T01:30:48Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - Unsupervised Dense Nuclei Detection and Segmentation with Prior
Self-activation Map For Histology Images [5.3882963853819845]
事前自己アクティベーションモジュール(PSM)を用いた自己教師型学習手法を提案する。
PSMは入力画像から自己活性化マップを生成し、ラベル付けコストを回避し、下流タスク用の擬似マスクを生成する。
他の完全教師付き・弱教師付き手法と比較して,本手法は手動アノテーションを使わずに競争性能を達成できる。
論文 参考訳（メタデータ） (2022-10-14T14:34:26Z) - Nuclei Segmentation with Point Annotations from Pathology Images via
Self-Supervised Learning and Co-Training [44.13451004973818]
核分割のための弱い教師付き学習法を提案する。
粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。
病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
論文 参考訳（メタデータ） (2022-02-16T17:08:44Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳（メタデータ） (2021-09-30T17:29:44Z) - Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。
提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。
公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
論文 参考訳（メタデータ） (2020-07-22T03:37:14Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳（メタデータ） (2020-07-21T13:27:09Z)
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。