論文の概要: A deep learning based multiscale approach to segment cancer area in liver whole slide image

• arxiv url: http://arxiv.org/abs/2007.12935v1
• Date: Sat, 25 Jul 2020 13:54:01 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 01:00:32.796030
• Title: A deep learning based multiscale approach to segment cancer area in liver whole slide image
• Title（参考訳）: 肝全スライディング画像における分節癌領域に対するディープラーニングに基づくマルチスケールアプローチ
• Authors: Yanbo Feng, Adel Hafiane, H\'el\`ene Laurent
• Abstract要約: 本稿では,癌領域のセグメント化のためのエンド・ツー・エンド・エンド・ディープ・ニューラルネットワークの自動アルゴリズムに基づくマルチスケール画像処理手法を提案する。 提案手法は、7段階の様々な解像度(ピラミダルサブサンプリング)に適用されたU-Netに基づく。 その結果,提案手法の有効性が,最先端技術と比較すると,より優れたスコアが得られた。
• 参考スコア（独自算出の注目度）: 3.6868861317674524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper addresses the problem of liver cancer segmentation in Whole Slide Image (WSI). We propose a multi-scale image processing method based on automatic end-to-end deep neural network algorithm for segmentation of cancer area. A seven-levels gaussian pyramid representation of the histopathological image was built to provide the texture information in different scales. In this work, several neural architectures were compared using the original image level for the training procedure. The proposed method is based on U-Net applied to seven levels of various resolutions (pyramidal subsumpling). The predictions in different levels are combined through a voting mechanism. The final segmentation result is generated at the original image level. Partial color normalization and weighted overlapping method were applied in preprocessing and prediction separately. The results show the effectiveness of the proposed multi-scales approach achieving better scores compared to the state-of-the-art.
• Abstract（参考訳）: 本稿では,全スライド画像(wsi)における肝癌分画の問題について述べる。 本稿では,癌領域分割のためのエンドツーエンドのディープニューラルネットワークアルゴリズムに基づくマルチスケール画像処理手法を提案する。 組織像の7レベルのガウスピラミッド像は,異なるスケールでテクスチャ情報を提供するために構築された。 本研究では、トレーニング手順の原画像レベルを用いて、いくつかのニューラルアーキテクチャを比較した。 提案手法は,7段階の様々な解像度(ピラミダルサブサムリング)に適用したu-netに基づく。 異なるレベルの予測は投票機構を通じて結合される。 最終セグメンテーション結果は、原画像レベルで生成される。 部分色正規化法と重み付き重み付け法を前処理と予測に別々に適用した。 その結果,提案手法の有効性が,最新技術と比較して高い評価を得た。

関連論文リスト

• A skeletonization algorithm for gradient-based optimization [13.2737105544687]
  デジタル画像の骨格は、そのトポロジー、幾何学、スケールのコンパクトな表現である。 ほとんどの既存のスケルトン化アルゴリズムは微分不可能であり、勾配に基づく最適化と統合することは不可能である。 この研究は、勾配に基づく最適化と互換性があり、物体の位相を保存する最初の3次元スケルトン化アルゴリズムを導入する。
  論文  参考訳（メタデータ） (2023-09-05T18:40:14Z)
• Deep Neural Networks Fused with Textures for Image Classification [20.58839604333332]
  きめ細かい画像分類はコンピュータビジョンにおいて難しい課題である。 グローバルテクスチャと局所パッチ情報を組み合わせたFGICの融合手法を提案する。 提案手法は,有意なマージンを有する既存手法よりも高い分類精度を達成できた。
  論文  参考訳（メタデータ） (2023-08-03T15:21:08Z)
• M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical Image Segmentation [73.10707675345253]
  医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。 本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2023-03-20T06:26:49Z)
• Variational multichannel multiclass segmentation using unsupervised lifting with CNNs [0.0]
  与えられた画像をK$の異なる領域に分割するフレキシブルなマルチクラスセグメンテーション手法を実装した。 画像の事前分解を目的とした畳み込みニューラルネットワーク(CNN)を用いる。 セグメンテーションの出発点となる情報的特徴写像の抽出に特に重点を置いている。
  論文  参考訳（メタデータ） (2023-02-04T18:01:47Z)
• Multi-domain stain normalization for digital pathology: A cycle-consistent adversarial network for whole slide images [0.0]
  本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。 CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
  論文  参考訳（メタデータ） (2023-01-23T13:34:49Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
  本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。 教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
  論文  参考訳（メタデータ） (2022-03-07T19:02:26Z)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Contrastive Rendering for Ultrasound Image Segmentation [59.23915581079123]
  米国の画像にシャープな境界がないことは、セグメンテーションに固有の課題である。 我々は,US画像における境界推定を改善するための,新しい,効果的なフレームワークを提案する。 提案手法は最先端の手法より優れており,臨床応用の可能性も高い。
  論文  参考訳（メタデータ） (2020-10-10T07:14:03Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。