論文の概要: SRPN: similarity-based region proposal networks for nuclei and cells
detection in histology images
- arxiv url: http://arxiv.org/abs/2106.13556v1
- Date: Fri, 25 Jun 2021 10:56:54 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 18:59:51.188930
- Title: SRPN: similarity-based region proposal networks for nuclei and cells
detection in histology images
- Title（参考訳）: srpn:組織画像における核および細胞検出のための類似性に基づく領域提案ネットワーク
- Authors: Yibao Sun, Xingru Huang, Huiyu Zhou, Qianni Zhang
- Abstract要約: 組織像における核・細胞検出のための類似性に基づく領域提案ネットワーク(SRPN)を提案する。
埋め込み層と呼ばれるカスタマイズされた畳み込み層は、ネットワーク構築のために設計されている。
組織像における多臓器核検出とシグナレットリング細胞検出の課題について,提案手法を検証した。
- 参考スコア（独自算出の注目度）: 13.544784143012624
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The detection of nuclei and cells in histology images is of great value in
both clinical practice and pathological studies. However, multiple reasons such
as morphological variations of nuclei or cells make it a challenging task where
conventional object detection methods cannot obtain satisfactory performance in
many cases. A detection task consists of two sub-tasks, classification and
localization. Under the condition of dense object detection, classification is
a key to boost the detection performance. Considering this, we propose
similarity based region proposal networks (SRPN) for nuclei and cells detection
in histology images. In particular, a customized convolution layer termed as
embedding layer is designed for network building. The embedding layer is added
into the region proposal networks, enabling the networks to learn
discriminative features based on similarity learning. Features obtained by
similarity learning can significantly boost the classification performance
compared to conventional methods. SRPN can be easily integrated into standard
convolutional neural networks architectures such as the Faster R-CNN and
RetinaNet. We test the proposed approach on tasks of multi-organ nuclei
detection and signet ring cells detection in histological images. Experimental
results show that networks applying similarity learning achieved superior
performance on both tasks when compared to their counterparts. In particular,
the proposed SRPN achieve state-of-the-art performance on the MoNuSeg benchmark
for nuclei segmentation and detection while compared to previous methods, and
on the signet ring cell detection benchmark when compared with baselines. The
sourcecode is publicly available at:
https://github.com/sigma10010/nuclei_cells_det.
- Abstract（参考訳）: 組織像中の核と細胞の検出は臨床と病理学的研究の両方において非常に有用である。
しかし, 原子核や細胞の形態変化などの複数の理由から, 従来の物体検出法では良好な性能が得られない課題となっている。
検出タスクは2つのサブタスク、分類とローカライゼーションで構成される。
密度の高い物体検出条件下では、分類は検出性能を高める鍵となる。
そこで本研究では,核・細胞検出のための類似性に基づく領域提案ネットワーク(SRPN)を提案する。
特に、組み込み層と呼ばれるカスタマイズされた畳み込み層は、ネットワーク構築のために設計されている。
埋め込み層がリージョン提案ネットワークに追加され、類似性学習に基づいて識別的特徴を学習することができる。
類似学習によって得られる特徴は,従来の手法に比べて分類性能を著しく向上させることができる。
SRPNは、Faster R-CNNやRetinaNetのような標準の畳み込みニューラルネットワークアーキテクチャに容易に統合できる。
組織像における多臓器核検出とシグナレットリング細胞検出の課題について,提案手法を検証した。
実験の結果,類似性学習を施したネットワークは,両タスクにおいて,両課題とも同等の性能を得た。
特に,提案したSRPNは,従来手法と比較して核分割と検出のためのMoNuSegベンチマーク,およびベースラインと比較した場合のシグレットリング細胞検出ベンチマークにおいて,最先端性能を実現している。
ソースコードはhttps://github.com/sigma10010/nuclei_cells_detで公開されている。
関連論文リスト
- 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) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳（メタデータ） (2023-08-28T12:55:13Z) - A novel dataset and a two-stage mitosis nuclei detection method based on
hybrid anchor branch [12.701748529240183]
有糸分裂検出のための2段階カスケードネットワークFoCasNetを提案する。
第1段階では、可能な限り多くのミトースを検出するために、M_detと呼ばれる検出ネットワークが提案されている。
第2段階では、第1段階の結果を洗練させるために分類ネットワークM_classを提案する。
論文 参考訳（メタデータ） (2023-01-18T16:11:09Z) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳（メタデータ） (2022-10-19T15:15:32Z) - Retinal Structure Detection in OCTA Image via Voting-based Multi-task
Learning [27.637273690432608]
本稿では,Voting-based Adaptive Feature Fusion multi-task network (VAFF-Net) を提案する。
タスク固有の投票ゲートモジュールは、特定のタスクに対して2段階の異なる特徴を適応的に抽出し、融合するために提案される。
さらなる研究を容易にするため、ソースコードと評価ベンチマークを備えたデータセットの一部がパブリックアクセス用にリリースされた。
論文 参考訳（メタデータ） (2022-08-23T05:53:04Z) - Domain Adaptive Nuclei Instance Segmentation and Classification via
Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。
我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2022-07-04T07:05:06Z) - 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) - PointNu-Net: Keypoint-assisted Convolutional Neural Network for
Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。
本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
論文 参考訳（メタデータ） (2021-11-01T08:29:40Z) - ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image
Classification [49.87503122462432]
ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。
本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。
4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
論文 参考訳（メタデータ） (2020-06-27T13:50:20Z)
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。