論文の概要: Polyp-artifact relationship analysis using graph inductive learned representations

• arxiv url: http://arxiv.org/abs/2009.07109v1
• Date: Tue, 15 Sep 2020 13:56:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-18 05:59:39.630519
• Title: Polyp-artifact relationship analysis using graph inductive learned representations
• Title（参考訳）: グラフインダクティブ学習表現を用いたpolyp-artifact関係解析
• Authors: Roger D. Soberanis-Mukul, Shadi Albarqouni, Nassir Navab
• Abstract要約: 大腸癌の診断プロセスは主にポリープ(polyps)として知られる大腸組織における異常増殖の局在と特徴づけに焦点を当てている。 近年の深層物体の局在化の進展にもかかわらず、組織と高レベルのアーティファクトとの類似性により、ポリープの局在化は依然として困難である。 近年の研究では、ポリプ検出タスクにおける人工物の存在が負の影響を示しており、トレーニングプロセスの中でそれらを考慮し始めている。
• 参考スコア（独自算出の注目度）: 52.900974021773024
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The diagnosis process of colorectal cancer mainly focuses on the localization and characterization of abnormal growths in the colon tissue known as polyps. Despite recent advances in deep object localization, the localization of polyps remains challenging due to the similarities between tissues, and the high level of artifacts. Recent studies have shown the negative impact of the presence of artifacts in the polyp detection task, and have started to take them into account within the training process. However, the use of prior knowledge related to the spatial interaction of polyps and artifacts has not yet been considered. In this work, we incorporate artifact knowledge in a post-processing step. Our method models this task as an inductive graph representation learning problem, and is composed of training and inference steps. Detected bounding boxes around polyps and artifacts are considered as nodes connected by a defined criterion. The training step generates a node classifier with ground truth bounding boxes. In inference, we use this classifier to analyze a second graph, generated from artifact and polyp predictions given by region proposal networks. We evaluate how the choices in the connectivity and artifacts affect the performance of our method and show that it has the potential to reduce the false positives in the results of a region proposal network.
• Abstract（参考訳）: 大腸癌の診断プロセスは主にポリープとして知られる大腸組織における異常増殖の局在と特徴に焦点を当てている。 近年の深層物体の局在化の進展にもかかわらず、組織と高レベルのアーティファクトとの類似性のため、ポリプの局在は依然として困難である。 近年の研究では、ポリープ検出タスクにおけるアーティファクトの存在によるネガティブな影響が示されており、トレーニングプロセス内でこれらを考慮し始めている。 しかし, ポリープやアーティファクトの空間的相互作用に関する事前知識の利用は検討されていない。 この作業では、アーティファクト知識を後処理のステップに組み込む。 本手法は,この課題をインダクティブグラフ表現学習問題としてモデル化し,学習手順と推論ステップから構成する。 検出されたポリプとアーティファクトのバウンディングボックスは、定義された基準によって接続されるノードとみなされる。 トレーニングステップは、接地真理境界ボックスを持つノード分類器を生成する。 推論では、この分類器を用いて、地域提案ネットワークによって与えられるアーティファクトとポリプ予測から生成された第2のグラフを分析する。 接続性やアーティファクトの選択が提案手法の性能にどのように影響するかを評価し,地域提案ネットワークの結果から偽陽性を低減できる可能性が示された。

関連論文リスト

• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
  我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。 畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。 本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
  論文  参考訳（メタデータ） (2021-07-01T07:50:35Z)
• Potato Crop Stress Identification in Aerial Images using Deep Learning-based Object Detection [60.83360138070649]
  本稿では, 深層ニューラルネットワークを用いたジャガイモの空中画像解析手法を提案する。 主な目的は、植物レベルでの健康作物とストレス作物の自動空間認識を実証することである。 実験により、フィールド画像中の健康植物とストレス植物を識別し、平均Dice係数0.74を達成できることを示した。
  論文  参考訳（メタデータ） (2021-06-14T21:57:40Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Going Beyond Saliency Maps: Training Deep Models to Interpret Deep Models [16.218680291606628]
  解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。 疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。 本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
  論文  参考訳（メタデータ） (2021-02-16T15:57:37Z)
• 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)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Domain aware medical image classifier interpretation by counterfactual impact analysis [2.512212190779389]
  ニューラルネットワークに基づく属性法を導入し、任意のトレーニングされた予測器に適用する。 提案手法は,局所的な画像摂動が予測者のスコアに与える影響を計測することにより,入力画像の正当領域を1つの前方通過で同定する。
  論文  参考訳（メタデータ） (2020-07-13T11:11:17Z)
• Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
  解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。 提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
  論文  参考訳（メタデータ） (2020-04-17T11:55:03Z)
• Understanding the effects of artifacts on automated polyp detection and incorporating that knowledge via learning without forgetting [42.36312625253819]
  早期にポリープが検出された場合,大腸癌生存率が高くなる。 現在の取り組みは、トレーニングデータセットのサイズと品質に大きく依存しています。
  論文  参考訳（メタデータ） (2020-02-07T16:34:14Z)

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。