論文の概要: Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells
Segmentation in Microscopic Images
- arxiv url: http://arxiv.org/abs/2105.06238v1
- Date: Thu, 13 May 2021 12:42:32 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-14 19:53:19.214054
- Title: Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells
Segmentation in Microscopic Images
- Title（参考訳）: Deeplab3+:多発性骨髄腫血漿細胞分画の顕微鏡的観察
- Authors: Afshin Bozorgpour, Reza Azad, Eman Showkatian, Alaa Sulaiman
- Abstract要約: 多発性骨髄腫(multiple myeloma cancer)は、骨髄において異常な血漿細胞の増殖が制御不能になったときに発生する血液がんの一種である。
全身血球数検査(CBC)や気道スライド画像で骨髄腫細胞をカウントするなど、骨髄の多発性骨髄腫を診断する方法は様々です。
複数の骨髄腫血漿細胞の検出と分割のための自動深層学習方法が検討されている。
- 参考スコア（独自算出の注目度）: 2.121963121603413
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Multiple myeloma cancer is a type of blood cancer that happens when the
growth of abnormal plasma cells becomes out of control in the bone marrow.
There are various ways to diagnose multiple myeloma in bone marrow such as
complete blood count test (CBC) or counting myeloma plasma cell in aspirate
slide images using manual visualization or through image processing technique.
In this work, an automatic deep learning method for the detection and
segmentation of multiple myeloma plasma cell have been explored. To this end, a
two-stage deep learning method is designed. In the first stage, the nucleus
detection network is utilized to extract each instance of a cell of interest.
The extracted instance is then fed to the multi-scale function to generate a
multi-scale representation. The objective of the multi-scale function is to
capture the shape variation and reduce the effect of object scale on the
cytoplasm segmentation network. The generated scales are then fed into a
pyramid of cytoplasm networks to learn the segmentation map in various scales.
On top of the cytoplasm segmentation network, we included a scale aggregation
function to refine and generate a final prediction. The proposed approach has
been evaluated on the SegPC2021 grand-challenge and ranked second on the final
test phase among all teams.
- Abstract（参考訳）: 多発性骨髄腫(multiple myeloma cancer)は、骨髄において異常な血漿細胞の増殖が制御不能になったときに発生する血液がんの一種である。
骨髄における多発性骨髄腫の診断には、血球計数検査(cbc)や、手作業による可視化や画像処理によるアスピレートスライド画像中の骨髄腫血漿細胞の計数など様々な方法がある。
本研究では,多発性骨髄腫細胞の検出とセグメンテーションのための自動深層学習法について検討した。
この目的のために、2段階の深層学習法を設計する。
第1段階では、核検出ネットワークを利用して、興味のあるセルの各インスタンスを抽出する。
抽出されたインスタンスはマルチスケール関数に供給され、マルチスケール表現を生成する。
マルチスケール機能の目的は、形状変化を捉え、細胞質セグメンテーションネットワークにおけるオブジェクトスケールの影響を減少させることである。
生成されたスケールは、様々なスケールでセグメンテーションマップを学ぶために、細胞質ネットワークのピラミッドに供給される。
細胞質セグメンテーションネットワーク上には,最終予測を洗練・生成するスケールアグリゲーション機能が含まれていた。
提案手法はSegPC2021グランドチャレンジで評価され、全チームの最終テストフェーズで2位にランクされた。
関連論文リスト
- Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳（メタデータ） (2023-10-22T08:11:08Z) - 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) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-30T13:41:12Z) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳（メタデータ） (2021-01-27T22:40:33Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳（メタデータ） (2020-05-19T11:31:53Z) - Segmentation of Cellular Patterns in Confocal Images of Melanocytic
Lesions in vivo via a Multiscale Encoder-Decoder Network (MED-Net) [2.0487455621441377]
マルチスケールデコーダネットワーク(MED-Net)は,パターンのクラスに定量的なラベル付けを行う。
メラノサイト病変の117個の反射共焦点顕微鏡(RCM)モザイクの非重畳分割について,本モデルを訓練・試験した。
論文 参考訳（メタデータ） (2020-01-03T22:34:52Z)
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。