論文の概要: NuCLS: A scalable crowdsourcing, deep learning approach and dataset for
nucleus classification, localization and segmentation
- arxiv url: http://arxiv.org/abs/2102.09099v1
- Date: Thu, 18 Feb 2021 01:17:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-19 23:57:12.175864
- Title: NuCLS: A scalable crowdsourcing, deep learning approach and dataset for
nucleus classification, localization and segmentation
- Title（参考訳）: NuCLS: スケーラブルなクラウドソーシング、ディープラーニングアプローチ、核分類、ローカライゼーション、セグメンテーションのためのデータセット
- Authors: Mohamed Amgad (1), Lamees A. Atteya (2), Hagar Hussein (3), Kareem
Hosny Mohammed (4), Ehab Hafiz (5), Maha A.T. Elsebaie (6), Ahmed M.
Alhusseiny (7), Mohamed Atef AlMoslemany (8), Abdelmagid M. Elmatboly (9),
Philip A. Pappalardo (10), Rokia Adel Sakr (11), Pooya Mobadersany (1), Ahmad
Rachid (12), Anas M. Saad (13), Ahmad M. Alkashash (14), Inas A. Ruhban (15),
Anas Alrefai (12), Nada M. Elgazar (16), Ali Abdulkarim (17), Abo-Alela Farag
(12), Amira Etman (8), Ahmed G. Elsaeed (16), Yahya Alagha (17), Yomna A.
Amer (8), Ahmed M. Raslan (18), Menatalla K. Nadim (19), Mai A.T. Elsebaie
(12), Ahmed Ayad (20), Liza E. Hanna (3), Ahmed Gadallah (12), Mohamed Elkady
(21), Bradley Drumheller (22), David Jaye (22), David Manthey (23), David A.
Gutman (24), Habiba Elfandy (25, 26), Lee A.D. Cooper (1, 27, 28) ((1)
Department of Pathology, Northwestern University, Chicago, IL, USA, (2) Cairo
Health Care Administration, Egyptian Ministry of Health, Cairo, Egypt, (3)
Department of Pathology, Nasser institute for research and treatment, Cairo,
Egypt, (4) Department of Pathology and Laboratory Medicine, University of
Pennsylvania, PA, USA, (5) Department of Clinical Laboratory Research,
Theodor Bilharz Research Institute, Giza, Egypt, (6) Department of Medicine,
Cook County Hospital, Chicago, IL, USA, (7) Department of Pathology, Baystate
Medical Center, University of Massachusetts, Springfield, MA, USA, (8)
Faculty of Medicine, Menoufia University, Menoufia, Egypt, (9) Faculty of
Medicine, Al-Azhar University, Cairo, Egypt, (10) Consultant for The Center
for Applied Proteomics and Molecular Medicine (CAPMM), George Mason
University, Manassas, VA, USA, (11) Department of Pathology, National Liver
Institute, Menoufia University, Menoufia, Egypt, (12) Faculty of Medicine,
Ain Shams University, Cairo, Egypt, (13) Cleveland Clinic Foundation,
Cleveland, OH, USA, (14) Department of Pathology, Indiana University,
Indianapolis, IN, USA, (15) Faculty of Medicine, Damascus University,
Damascus, Syria, (16) Faculty of Medicine, Mansoura University, Mansoura,
Egypt, (17) Faculty of Medicine, Cairo University, Cairo, Egypt, (18)
Department of Anaesthesia and Critical Care, Menoufia University Hospital,
Menoufia, Egypt, (19) Department of Clinical Pathology, Ain Shams University,
Cairo, Egypt, (20) Research Department, Oncology Consultants, PA, Houston,
TX, USA, (21) Siparadigm Diagnostic Informatics, Pine Brook, NJ, USA, (22)
Department of Pathology and Laboratory Medicine, Emory University School of
Medicine, Atlanta, GA, USA, (23) Kitware Inc., Clifton Park, NY, USA, (24)
Department of Neurology, Emory University School of Medicine, Atlanta, GA,
USA, (25) Department of Pathology, National Cancer Institute, Cairo, Egypt,
(26) Department of Pathology, Children's Cancer Hospital Egypt CCHE 57357,
Cairo, Egypt, (27) Lurie Cancer Center, Northwestern University, Chicago, IL,
USA, (28) Center for Computational Imaging and Signal Analytics, Northwestern
University Feinberg School of Medicine, Chicago, IL, USA)
- Abstract要約: ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。
十分な量の品質ラベルを生成することは 計算病理学において 重要な障壁として現れています
弱いアルゴリズムが生成するアノテーションは、非専門家が生成するアノテーションの精度をいかに向上させるかを示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: High-resolution mapping of cells and tissue structures provides a foundation
for developing interpretable machine-learning models for computational
pathology. Deep learning algorithms can provide accurate mappings given large
numbers of labeled instances for training and validation. Generating adequate
volume of quality labels has emerged as a critical barrier in computational
pathology given the time and effort required from pathologists. In this paper
we describe an approach for engaging crowds of medical students and
pathologists that was used to produce a dataset of over 220,000 annotations of
cell nuclei in breast cancers. We show how suggested annotations generated by a
weak algorithm can improve the accuracy of annotations generated by non-experts
and can yield useful data for training segmentation algorithms without
laborious manual tracing. We systematically examine interrater agreement and
describe modifications to the MaskRCNN model to improve cell mapping. We also
describe a technique we call Decision Tree Approximation of Learned Embeddings
(DTALE) that leverages nucleus segmentations and morphologic features to
improve the transparency of nucleus classification models. The annotation data
produced in this study are freely available for algorithm development and
benchmarking at: https://sites.google.com/view/nucls.
- Abstract（参考訳）: 細胞と組織構造の高解像度マッピングは、計算病理学のための解釈可能な機械学習モデルを開発する基礎となる。
ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。
適切な品質ラベルを生成することは、病理学者が必要とする時間と労力を考えると、計算病理学において重要な障壁となっている。
本稿では,乳がんにおける220,000以上の細胞核アノテーションのデータセットの作成に用いられた,医学生や病理学者の群集へのアプローチについて述べる。
提案手法は,非専門家が生成するアノテーションの精度を向上し,手作業による追跡を必要とせず,セグメント化アルゴリズムの訓練に有用なデータが得られることを示す。
細胞マッピングを改善するため, インターレータ契約を体系的に検討し, MaskRCNNモデルの変更について述べる。
また,核分節と形態学的特徴を利用して核分類モデルの透明性を向上させる,学習埋め込みの決定木近似(dtale)と呼ばれる手法についても述べる。
この研究で作成されたアノテーションデータは、アルゴリズム開発とベンチマークで自由に利用可能である。
関連論文リスト
- UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - 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) - Clinically Acceptable Segmentation of Organs at Risk in Cervical Cancer
Radiation Treatment from Clinically Available Annotations [0.0]
子宮頸癌放射線治療におけるOAR(Organs at Risk)の自動セグメンテーションのためのディープラーニングモデルを学習するためのアプローチを提案する。
我々は、データの不均一性、ラベルノイズ、アノテーションの欠如を最小限に抑えるために、自動データのクリーニングにシンプルな手法を採用している。
そこで本研究では,教師が指導するシステム,アノテーション命令,不確実性誘導学習を利用して,アノテーションの欠如の有無を学習する半教師付き学習手法を開発した。
論文 参考訳（メタデータ） (2023-02-21T13:24:40Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Lizard: A Large-Scale Dataset for Colonic Nuclear Instance Segmentation
and Classification [4.642724910208435]
組織像解析のための大規模データセットの収集を可能にする多段階アノテーションパイプラインを提案する。
我々は、50万近いラベル付き核を含む、既知の最大の核インスタンスのセグメンテーションと分類データセットを生成する。
論文 参考訳（メタデータ） (2021-08-25T11:58:52Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
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。
論文 参考訳（メタデータ） (2020-07-10T15:41:29Z) - NINEPINS: Nuclei Instance Segmentation with Point Annotations [2.19221864553448]
本稿では,ポイントアノテーションから自動生成される擬似ラベルセグメンテーションを用いたサンプルセグメンテーションのアルゴリズムを提案する。
生成されたセグメンテーションマスクを用いて、提案手法は、インスタンスセグメンテーションを実現するために、HoVer-Netモデルの修正版を訓練する。
実験結果から,提案手法はポイントアノテーションの不正確性に対して頑健であり,完全注釈付きインスタンスマスクを用いたHover-Netと比較すると,セグメンテーション性能の劣化が必ずしも組織分類などの高次タスクの劣化を意味するとは限らないことが示唆された。
論文 参考訳（メタデータ） (2020-06-24T08:28:52Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z) - A generic ensemble based deep convolutional neural network for
semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。
本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文 参考訳（メタデータ） (2020-04-16T23:41:50Z) - Effects of annotation granularity in deep learning models for
histopathological images [5.841728014428438]
本研究は,画像ワイド,バウンディングボックス,楕円ワイド,ピクセルワイドを含む注釈付きデータセットの粒度について検討する。
分類において、最先端のディープラーニングベースの分類器は、ピクセルワイズ・アノテーション・データセットによって訓練された場合、より優れた性能を発揮する。
本研究は, より微細なアノテーションが深層学習モデルの性能を向上させるだけでなく, より正確な表現型情報を抽出する上でも有効であることを示す。
論文 参考訳（メタデータ） (2020-01-14T08:39:51Z)
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。