論文の概要: A Petri Dish for Histopathology Image Analysis

• arxiv url: http://arxiv.org/abs/2101.12355v1
• Date: Fri, 29 Jan 2021 02:01:45 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-01 12:49:44.317541
• Title: A Petri Dish for Histopathology Image Analysis
• Title（参考訳）: 病理画像解析のためのペトリディッシュ
• Authors: Jerry Wei and Arief Suriawinata and Bing Ren and Xiaoying Liu and Mikhail Lisovsky and Louis Vaickus and Charles Brown and Michael Baker and Naofumi Tomita and Lorenzo Torresani and Jason Wei and Saeed Hassanpour
• Abstract要約: ミニマリスト組織像解析データセット(MHIST)を導入する。 MHISTは3,152枚の大腸ポリープの固定サイズ画像のバイナリ分類データセットである。 MHISTは400MB未満のディスク空間を占めており、ResNet-18ベースラインは6分でMHISTに収束するように訓練することができる。
• 参考スコア（独自算出の注目度）: 25.424907516487327
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the rise of deep learning, there has been increased interest in using neural networks for histopathology image analysis, a field that investigates the properties of biopsy or resected specimens that are traditionally manually examined under a microscope by pathologists. In histopathology image analysis, however, challenges such as limited data, costly annotation, and processing high-resolution and variable-size images create a high barrier of entry and make it difficult to quickly iterate over model designs. Throughout scientific history, many significant research directions have leveraged small-scale experimental setups as petri dishes to efficiently evaluate exploratory ideas, which are then validated in large-scale applications. For instance, the Drosophila fruit fly in genetics and MNIST in computer vision are well-known petri dishes. In this paper, we introduce a minimalist histopathology image analysis dataset (MHIST), an analogous petri dish for histopathology image analysis. MHIST is a binary classification dataset of 3,152 fixed-size images of colorectal polyps, each with a gold-standard label determined by the majority vote of seven board-certified gastrointestinal pathologists and annotator agreement level. MHIST occupies less than 400 MB of disk space, and a ResNet-18 baseline can be trained to convergence on MHIST in just 6 minutes using 3.5 GB of memory on a NVIDIA RTX 3090. As example use cases, we use MHIST to study natural questions such as how dataset size, network depth, transfer learning, and high-disagreement examples affect model performance. By introducing MHIST, we hope to not only help facilitate the work of current histopathology imaging researchers, but also make histopathology image analysis more accessible to the general computer vision community. Our dataset is available at https://bmirds.github.io/MHIST.
• Abstract（参考訳）: ディープラーニングの台頭に伴い、病理学者が顕微鏡で手作業で検査する生検や切除標本の性質を調べる分野である組織病理学的画像解析にニューラルネットワークを使用することへの関心が高まっています。 しかし、組織病理学的画像解析では、限られたデータ、コストのかかるアノテーション、高解像度および可変サイズの画像の処理などの課題は、参入障壁が高く、モデル設計を迅速に繰り返すことが困難になります。 科学史を通じて、多くの重要な研究の方向性は、大規模なアプリケーションで検証される探索的なアイデアを効率的に評価するためにペトリ皿として小規模の実験的なセットアップを利用しました。 例えば、ショウジョウバエは遺伝学で、MNISTはコンピュータビジョンでよく知られるペトリ料理である。 本稿では,組織病理画像解析のための類似ペトリディッシュであるミニマリスト組織病理画像解析データセット(MHIST)について紹介する。 MHISTは、大腸ポリープの3,152の固定サイズの画像のバイナリ分類データセットであり、それぞれ7人のボード認定消化器病理学者とアノテーションー合意レベルの過半数によって決定される金標準ラベルを有する。 MHISTは400MB未満のディスク空間を占めており、ResNet-18ベースラインはNVIDIA RTX 3090の3.5GBメモリを使用して6分でMHISTに収束するように訓練することができる。 例えば、MHISTを使ってデータセットのサイズ、ネットワーク深度、転送学習、モデルパフォーマンスに影響するハイディグリーメントの例など、自然な質問を研究しています。 MHISTの導入により、現在の組織病理画像研究者の作業を容易にするだけでなく、組織病理画像解析を一般的なコンピュータビジョンコミュニティにとってよりアクセスしやすくすることを願っています。 私たちのデータセットはhttps://bmirds.github.io/MHISTで入手できます。

関連論文リスト

• μ-Net: A Deep Learning-Based Architecture for μ-CT Segmentation [2.012378666405002]
  X線計算マイクロトモグラフィー(mu-CT)は、医学および生物学的サンプルの内部解剖の高解像度な3D画像を生成する非破壊的手法である。 3D画像から関連情報を抽出するには、興味のある領域のセマンティックセグメンテーションが必要である。 本稿では、畳み込みニューラルネットワーク(CNN)を用いて、Carassius auratusの心臓の完全な形態を自動分割する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-06-24T15:29:08Z)
• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Rotation-Agnostic Image Representation Learning for Digital Pathology [0.8246494848934447]
  本稿では,全スライディング画像(WSI)解析のための高速パッチ選択法FPSを提案する。 また5つのTransformerブロックの最小構成を持つ軽量な病理機能抽出器であるPathDinoも紹介されている。 本モデルでは,12種類の異なるデータセット上で,既存の病理組織特異的ビジョントランスフォーマーよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-11-14T18:01:15Z)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Gram Barcodes for Histopathology Tissue Texture Retrieval [0.0]
  病理組織学的画像検索 (HIR) システムは生検画像のデータベースを検索し、与えられたクエリ画像と類似した症例を見つける。 本稿では,HIRシステムにおける画像特徴としてグラムバーコードの応用を提案する。
  論文  参考訳（メタデータ） (2021-11-28T17:59:42Z)
• Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
  血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。 提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
  論文  参考訳（メタデータ） (2021-11-05T05:37:10Z)
• A QuadTree Image Representation for Computational Pathology [1.8047694351309205]
  病理像は巨大であり、画像タイルやパッチに分割する必要があるため、現代の畳み込みニューラルネットワーク(CNN)はそれらを処理できる。 本稿では,クワッドツリーとパイプラインを用いて,計算病理画像の解釈可能な画像表現を生成する手法を提案する。
  論文  参考訳（メタデータ） (2021-08-24T17:53:19Z)
• Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
  病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。 このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
  論文  参考訳（メタデータ） (2021-02-07T19:12:32Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)
• Interpretation of 3D CNNs for Brain MRI Data Classification [56.895060189929055]
  T1脳MRIにおける拡散テンソル画像の男女差について,これまでの知見を拡張した。 ボクセルの3次元CNN解釈を3つの解釈法の結果と比較する。
  論文  参考訳（メタデータ） (2020-06-20T17:56:46Z)

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。