論文の概要: A Novel Application of Image-to-Image Translation: Chromosome Straightening Framework by Learning from a Single Image

• arxiv url: http://arxiv.org/abs/2103.02835v1
• Date: Thu, 4 Mar 2021 05:05:41 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 15:09:42.195829
• Title: A Novel Application of Image-to-Image Translation: Chromosome Straightening Framework by Learning from a Single Image
• Title（参考訳）: 画像間翻訳の新しい応用:単一画像からの学習による染色体ストレート化フレームワーク
• Authors: Sifan Song, Daiyun Huang, Yalun Hu, Chunxiao Yang, Jia Meng, Fei Ma, Jiaming Zhang, Jionglong Su
• Abstract要約: 染色体直線化は、染色体の病理研究や細胞遺伝地図の発達において重要な役割を担っている。 本研究では、画像から画像への変換に基づく新しいフレームワークを提案し、直交染色体の合成のための関連するマッピング依存性を学習する。
• 参考スコア（独自算出の注目度）: 3.7769813168959527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In medical imaging, chromosome straightening plays a significant role in the pathological study of chromosomes and in the development of cytogenetic maps. Whereas different approaches exist for the straightening task, they are mostly geometric algorithms whose outputs are characterized by jagged edges or fragments with discontinued banding patterns. To address the flaws in the geometric algorithms, we propose a novel framework based on image-to-image translation to learn a pertinent mapping dependence for synthesizing straightened chromosomes with uninterrupted banding patterns and preserved details. In addition, to avoid the pitfall of deficient input chromosomes, we construct an augmented dataset using only one single curved chromosome image for training models. Based on this framework, we apply two popular image-to-image translation architectures, U-shape networks and conditional generative adversarial networks, to assess its efficacy. Experiments on a dataset comprising of 642 real-world chromosomes demonstrate the superiority of our framework as compared to the geometric method in straightening performance by rendering realistic and continued chromosome details. Furthermore, our straightened results improve the chromosome classification, achieving 0.98%-1.39% in mean accuracy.
• Abstract（参考訳）: 医療用イメージングでは、染色体矯正は染色体の病理学的研究と細胞遺伝図の作成に重要な役割を果たします。 ストレート化タスクには異なるアプローチが存在するが、主に幾何学的アルゴリズムであり、出力はジャッジエッジまたはバンドリングパターンを廃止したフラグメントによって特徴づけられる。 幾何学的アルゴリズムの欠陥に対処するため,画像から画像への変換に基づく新しいフレームワークを提案し,不断なバンドリングパターンと保存された詳細を持つストレート化染色体を合成するための関係マッピング依存性を学習する。 また、入力染色体の不足の落とし穴を避けるため、トレーニングモデルに単一の湾曲した染色体画像のみを用いた拡張データセットを構築した。 この枠組みに基づき,u字型ネットワークと条件付き生成型逆ネットワークという2つの一般的な画像から画像への翻訳アーキテクチャを適用し,その有効性を評価する。 642個の実世界の染色体からなるデータセットに関する実験は、現実的で連続的な染色体詳細を表現し、直線化性能における幾何学的手法と比較して、我々の枠組みの優越性を示している。 さらに, 染色体分類の精度を0.98%-1.39%向上させた。

関連論文リスト

• Masked conditional variational autoencoders for chromosome straightening [14.665481276886194]
  核タイピングはヒト疾患における染色体異常の検出に重要である。 染色体は顕微鏡画像に容易に湾曲し、細胞遺伝学者が染色体の型を分析するのを防ぐ。 本稿では,前処理アルゴリズムと生成モデルを組み合わせた染色体ストレート化の枠組みを提案する。
  論文  参考訳（メタデータ） (2023-06-25T05:11:41Z)
• 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)
• Chromosome Segmentation Analysis Using Image Processing Techniques and Autoencoders [0.0]
  細胞遺伝学に基づく診断において, 染色体解析とメタフェーズ画像からの同定が重要な部分である。 染色体をメタフェーズから同定するプロセスは退屈なもので、訓練された人員と実行に数時間を要する。 そこで本研究では,染色体検出と染色体分割のプロセスを自動化する手法を提案する。
  論文  参考訳（メタデータ） (2022-09-12T17:06:42Z)
• ChrSNet: Chromosome Straightening using Self-attention Guided Networks [7.335018936053776]
  染色体の曲率を消去する自己注意ガイドフレームワークを提案する。 提案手法は空間情報と局所テクスチャを抽出し,バンドリングパターンを保存する。 本稿では,染色体長の維持と染色体の歪みの回復に要する2つの厳密な幾何学的制約を提案する。
  論文  参考訳（メタデータ） (2022-07-01T02:19:49Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Deep Anomaly Generation: An Image Translation Approach of Synthesizing Abnormal Banded Chromosome Images [0.0]
  我々は,現実的な単一染色体画像の生成を可能にする条件付き対位ネットワークを実装した。 自己生成2次元染色体セグメンテーションラベルマップに基づく画像から画像への変換手法を用いる。 本手法は構造異常を伴う染色体データセットのデータ増大に活用できると考えている。
  論文  参考訳（メタデータ） (2021-09-20T17:16:23Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• Cascaded Robust Learning at Imperfect Labels for Chest X-ray Segmentation [61.09321488002978]
  不完全アノテーションを用いた胸部X線分割のための新しいカスケードロバスト学習フレームワークを提案する。 モデルは3つの独立したネットワークから成り,ピアネットワークから有用な情報を効果的に学習できる。 提案手法は,従来の手法と比較して,セグメント化タスクの精度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） (2021-04-05T15:50:16Z)
• Adversarial Multiscale Feature Learning for Overlapping Chromosome Segmentation [6.180155406275231]
  染色体核型解析は疾患の診断と治療において非常に臨床的に重要である。 染色体のストリップ形状のため、画像化すると簡単に互いに重複します。 重なり合う染色体セグメンテーションの精度と適応性を向上させるために, 対角的マルチスケール特徴学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-22T06:04:22Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。