論文の概要: Learning Whole-Slide Segmentation from Inexact and Incomplete Labels using Tissue Graphs

• arxiv url: http://arxiv.org/abs/2103.03129v1
• Date: Thu, 4 Mar 2021 16:04:24 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-05 14:55:58.198169
• Title: Learning Whole-Slide Segmentation from Inexact and Incomplete Labels using Tissue Graphs
• Title（参考訳）: 組織グラフを用いた不完全・不完全ラベルからの全すべりセグメンテーションの学習
• Authors: Valentin Anklin, Pushpak Pati, Guillaume Jaume, Behzad Bozorgtabar, Antonio Foncubierta-Rodr\'iguez, Jean-Philippe Thiran, Mathilde Sibony, Maria Gabrani, Orcun Goksel
• Abstract要約: グラフを用いた弱教師付きセマンティックセグメンテーション手法であるSegGiniを提案する。 SegGiniセグメントは、組織マイクロアレイ(TMA)から全スライド画像(WSI)まで、任意かつ大規模な画像です。
• 参考スコア（独自算出の注目度）: 11.315178576537768
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmenting histology images into diagnostically relevant regions is imperative to support timely and reliable decisions by pathologists. To this end, computer-aided techniques have been proposed to delineate relevant regions in scanned histology slides. However, the techniques necessitate task-specific large datasets of annotated pixels, which is tedious, time-consuming, expensive, and infeasible to acquire for many histology tasks. Thus, weakly-supervised semantic segmentation techniques are proposed to utilize weak supervision that is cheaper and quicker to acquire. In this paper, we propose SegGini, a weakly supervised segmentation method using graphs, that can utilize weak multiplex annotations, i.e. inexact and incomplete annotations, to segment arbitrary and large images, scaling from tissue microarray (TMA) to whole slide image (WSI). Formally, SegGini constructs a tissue-graph representation for an input histology image, where the graph nodes depict tissue regions. Then, it performs weakly-supervised segmentation via node classification by using inexact image-level labels, incomplete scribbles, or both. We evaluated SegGini on two public prostate cancer datasets containing TMAs and WSIs. Our method achieved state-of-the-art segmentation performance on both datasets for various annotation settings while being comparable to a pathologist baseline.
• Abstract（参考訳）: 病理組織像を診断的に関連のある領域に分割することは,病理医の時間的かつ信頼性の高い判断を支援する上で不可欠である。 この目的のためにコンピュータ支援技術が提案されており、スキャンされた組織学スライドの関連領域を記述している。 しかし、この技術は、退屈で時間がかかり、費用がかかり、多くのヒストロジータスクのために取得できない、注釈付きピクセルのタスク固有の大きなデータセットを必要とします。 よって, より安価で, より早く取得できるような, 弱い監督的セマンティックセグメンテーション手法を提案する。 本稿では,弱い多重化アノテーション,すなわち弱い多重化アノテーションを利用するグラフを用いた弱教師付きセグメンテーション手法であるSegGiniを提案する。 組織マイクロアレイ(TMA)からスライド画像全体(WSI)まで、任意の画像と大きな画像を分割する不完全かつ不完全なアノテーション。 正式には、SegGiniは入力ヒストロジー画像のための組織グラフ表現を構築し、グラフノードは組織領域を描写する。 そして、不正確な画像レベルラベル、不完全なスクリブル、またはその両方を用いて、ノード分類による弱い教師付きセグメンテーションを実行する。 TMAとWSIを含む2つの前立腺癌データセットを用いてSegGiniの評価を行った。 本手法は,病理学者のベースラインに匹敵しながら,様々なアノテーション設定において,両方のデータセットにおいて最先端のセグメンテーション性能を達成した。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• Deep Spectral Methods for Unsupervised Ultrasound Image Interpretation [53.37499744840018]
  本稿では, 超音波を応用した非教師型深層学習手法を提案する。 我々は、スペクトルグラフ理論と深層学習法を組み合わせた教師なしディープスペクトル法から重要な概念を統合する。 スペクトルクラスタリングの自己教師型トランスフォーマー機能を利用して、超音波特有のメトリクスと形状と位置の先行値に基づいて意味のあるセグメントを生成し、データセット間のセマンティック一貫性を確保する。
  論文  参考訳（メタデータ） (2024-08-04T14:30:14Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• 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)
• Human-machine Interactive Tissue Prototype Learning for Label-efficient Histopathology Image Segmentation [18.755759024796216]
  ディープ・ニューラル・ネットワークは、画像セグメンテーションを大幅に進歩させたが、通常は豊富なデータを必要とする。 本稿では,ラベル効率のよい組織原型辞書構築パイプラインを提案し,得られた原型を用いて病理組織像のセグメンテーションを導くことを提案する。 人間の機械的対話型組織プロトタイプ学習法は,完全教師付きベースラインと同等のセグメンテーション性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-11-26T06:17:21Z)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• Multi-Layer Pseudo-Supervision for Histopathology Tissue Semantic Segmentation using Patch-level Classification Labels [26.349051136954195]
  本稿では,病理組織像の組織的セグメンテーションを実現するために,パッチレベルの分類ラベルのみを用いる。 画素レベルのアノテーションとパッチレベルのアノテーションの間の情報ギャップを減らすために、いくつかの技術革新が提案されている。 提案手法は, 最先端の2つのWSSS手法より優れている。
  論文  参考訳（メタデータ） (2021-10-14T08:02:07Z)
• Leveraging Auxiliary Tasks with Affinity Learning for Weakly Supervised Semantic Segmentation [88.49669148290306]
  そこで我々はAuxSegNetと呼ばれる弱教師付きマルチタスク・フレームワークを提案し,サリエンシ検出とマルチラベル画像分類を補助タスクとして活用する。 同様の構造的セマンティクスに着想を得て,サリエンシとセグメンテーションの表現から,クロスタスクなグローバル画素レベルの親和性マップを学習することを提案する。 学習されたクロスタスク親和性は、両方のタスクに対して改善された擬似ラベルを提供するために、唾液度予測を洗練し、CAMマップを伝播するために使用することができる。
  論文  参考訳（メタデータ） (2021-07-25T11:39:58Z)
• 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)
• 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)
• Manifold-driven Attention Maps for Weakly Supervised Segmentation [9.289524646688244]
  本稿では,視覚的に有意な領域を強化するために,多様体駆動型注意ネットワークを提案する。 提案手法は,余分な計算を必要とせずに,推論中により優れた注意マップを生成できる。
  論文  参考訳（メタデータ） (2020-04-07T00:03:28Z)

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。