Fugu-MT 論文翻訳(概要): Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks

論文の概要: Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks

arxiv url: http://arxiv.org/abs/2012.07237v2
Date: Sun, 27 Dec 2020 09:41:49 GMT
ステータス: 処理完了
システム内更新日: 2021-05-09 09:36:03.210552
Title: Accurate Cell Segmentation in Digital Pathology Images via Attention Enforced Networks
Title（参考訳）: 注意強制ネットワークによるデジタル病理画像の高精度セルセグメンテーション
Authors: Muyi Sun, Zeyi Yao, Guanhong Zhang
Abstract要約: 本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Automatic cell segmentation is an essential step in the pipeline of computer-aided diagnosis (CAD), such as the detection and grading of breast cancer. Accurate segmentation of cells can not only assist the pathologists to make a more precise diagnosis, but also save much time and labor. However, this task suffers from stain variation, cell inhomogeneous intensities, background clutters and cells from different tissues. To address these issues, we propose an Attention Enforced Network (AENet), which is built on spatial attention module and channel attention module, to integrate local features with global dependencies and weight effective channels adaptively. Besides, we introduce a feature fusion branch to bridge high-level and low-level features. Finally, the marker controlled watershed algorithm is applied to post-process the predicted segmentation maps for reducing the fragmented regions. In the test stage, we present an individual color normalization method to deal with the stain variation problem. We evaluate this model on the MoNuSeg dataset. The quantitative comparisons against several prior methods demonstrate the superiority of our approach.
Abstract（参考訳）: 自動細胞セグメンテーションは、乳がんの検出やグレーディングなどのコンピュータ支援診断(CAD)のパイプラインにおいて重要なステップである。正確な細胞分割は、病理学者がより正確な診断を行うのを助けるだけでなく、多くの時間と労力を節約できる。しかし、このタスクは、染色の変化、細胞不均一な強度、背景の散乱、異なる組織からの細胞に悩まされる。これらの問題に対処するため,空間的注意モジュールとチャネル注意モジュールをベースとして,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。さらに,高レベル・低レベルの特徴を橋渡しする機能融合分岐を導入する。最後に, 予測セグメンテーションマップを後処理し, フラグメント領域を減らすために, マーカー制御型流域アルゴリズムを適用した。実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。このモデルをMoNuSegデータセット上で評価する。いくつかの先行手法に対する定量的比較は、我々のアプローチの優位性を示している。

関連論文リスト

GRU-Net: Gaussian Attention Aided Dense Skip Connection Based MultiResUNet for Breast Histopathology Image Segmentation [24.85210810502592]
本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。乳がんの病理組織像データセットの多様性について検討した。
論文参考訳（メタデータ） (2024-06-12T19:17:17Z)
AWGUNET: Attention-Aided Wavelet Guided U-Net for Nuclei Segmentation in Histopathology Images [26.333686941245197]
本稿では,U-NetアーキテクチャとDenseNet-121バックボーンを組み合わせたセグメンテーション手法を提案する。本モデルでは,ウェーブレット誘導チャネルアテンションモジュールを導入し,セル境界のデライン化を促進させる。その結果,Mouseg と TNBC の2つの病理組織学的データセットを用いて,提案モデルの優位性を実証した。
論文参考訳（メタデータ） (2024-06-12T17:10:27Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
A novel framework employing deep multi-attention channels network for the autonomous detection of metastasizing cells through fluorescence microscopy [0.20999222360659603]
正常細胞と転移細胞を区別できる計算フレームワークを開発した。この方法は、正常で転移する単細胞においてアクチンとビメンチンフィラメントの空間的構造を示す蛍光顕微鏡画像に依存する。
論文参考訳（メタデータ） (2023-09-02T11:20:10Z)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
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)
Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
気道セグメンテーションは肺疾患の検査、診断、予後に重要である。いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
論文参考訳（メタデータ） (2022-09-05T16:38:13Z)
From WSI-level to Patch-level: Structure Prior Guided Binuclear Cell Fine-grained Detection [8.810499770542553]
バイ核細胞(BC)の検出は、白血病やその他の悪性腫瘍のリスクを予測する上で重要な役割を担っている。深層学習に基づくBC以前の構造にインスパイアされた2段階検出手法を提案する。粗い検出ネットワークは、細胞検出のための円形境界ボックスと、核検出のための中心キーポイントに基づくマルチタスク検出フレームワークである。
論文参考訳（メタデータ） (2022-08-26T12:32:05Z)
W-Net: A Two-Stage Convolutional Network for Nucleus Detection in Histopathology Image [5.065311617930521]
自動核検出のためのW字型ネットワークを提案する。最初のサブタスクは、元の病理画像をバイナリマスクにマッピングし、次にバイナリマスクを密度マスクにマッピングする。タスク分割後、タスクの難易度が大幅に低下し、ネットワーク全体の性能が向上する。
論文参考訳（メタデータ） (2021-10-26T13:00:16Z)
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)

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。