論文の概要: A Multiple-Instance Learning Approach for the Assessment of Gallbladder
Vascularity from Laparoscopic Images
- arxiv url: http://arxiv.org/abs/2107.12093v2
- Date: Wed, 28 Jul 2021 07:23:29 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-29 10:53:18.248254
- Title: A Multiple-Instance Learning Approach for the Assessment of Gallbladder
Vascularity from Laparoscopic Images
- Title（参考訳）: 腹腔鏡像からの胆嚢血管度評価のためのマルチインスタンス学習法
- Authors: C. Loukas, A. Gazis, D. Schizas
- Abstract要約: LC操作画像のコンピュータビジョン解析によるGB壁の血管性評価のためのMIL手法を提案する。
我々は、様々な最先端のMILとシングルインスタンス学習のアプローチを比較し、変分ベイズ推定に基づくMIL手法を提案する。
提案手法は、それぞれ第1タスクと第2タスクに対して92.1%と90.3%の精度で最高の性能を示す。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: An important task at the onset of a laparoscopic cholecystectomy (LC)
operation is the inspection of gallbladder (GB) to evaluate the thickness of
its wall, presence of inflammation and extent of fat. Difficulty in
visualization of the GB wall vessels may be due to the previous factors,
potentially as a result of chronic inflammation or other diseases. In this
paper we propose a multiple-instance learning (MIL) technique for assessment of
the GB wall vascularity via computer-vision analysis of images from LC
operations. The bags correspond to a labeled (low vs. high) vascularity dataset
of 181 GB images, from 53 operations. The instances correspond to unlabeled
patches extracted from these images. Each patch is represented by a vector with
color, texture and statistical features. We compare various state-of-the-art
MIL and single-instance learning approaches, as well as a proposed MIL
technique based on variational Bayesian inference. The methods were compared
for two experimental tasks: image-based and video-based (i.e. patient-based)
classification. The proposed approach presents the best performance with
accuracy 92.1% and 90.3% for the first and second task, respectively. A
significant advantage of the proposed technique is that it does not require the
time-consuming task of manual labelling the instances.
- Abstract（参考訳）: 腹腔鏡下胆嚢摘出術(lc)開始時の重要な課題は,胆嚢の厚み,炎症の有無,脂肪の程度を評価するための胆嚢検査(gb)である。
gb壁血管の可視化の難しさは、慢性炎症やその他の疾患の結果として、以前の要因による可能性がある。
本稿では,lc操作画像のコンピュータビジョン解析によるgb壁血管性評価のためのマルチ・インスタンス・ラーニング(mil)手法を提案する。
バッグは53の操作から181gbの画像のラベル付き(低対高)血管性データセットに対応する。
これらの画像から抽出された未ラベルのパッチに対応する。
各パッチは、色、テクスチャ、統計的特徴を持つベクトルで表現される。
我々は、様々な最先端のMILとシングルインスタンス学習手法を比較し、変分ベイズ推定に基づくMIL手法を提案する。
これらの手法は画像ベースとビデオベース(すなわち)の2つの実験タスクで比較された。
患者ベース) 分類。
提案手法は,第1タスクで92.1%,第2タスクで90.3%の精度で最良性能を示す。
提案手法の重要な利点は、インスタンスを手動でラベリングする時間を消費する必要がないことである。
関連論文リスト
- Ordinal Multiple-instance Learning for Ulcerative Colitis Severity Estimation with Selective Aggregated Transformer [4.2875024530011085]
選択的アグリゲータトークンを用いた変圧器による患者レベルの重症度推定法を提案する。
本手法は, 各患者で撮影した画像から, 重篤な部分の特徴を効果的に収集することができる。
提案手法の2つのデータセットに対する有効性を示す実験を行った。
論文 参考訳（メタデータ） (2024-11-22T06:11:35Z) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳（メタデータ） (2023-07-12T16:14:23Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Physiology-based simulation of the retinal vasculature enables
annotation-free segmentation of OCT angiographs [8.596819713822477]
提案するパイプラインは,大量のリアルなOCTA画像を,本質的に一致する基底真理ラベルで合成する。
提案手法は,1) 様々な網膜叢をモデル化した生理的シミュレーション,2) 物理に基づく画像拡張のスイートの2つの新しい構成要素を基礎にしている。
論文 参考訳（メタデータ） (2022-07-22T14:22:22Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Parametric Scaling of Preprocessing assisted U-net Architecture for
Improvised Retinal Vessel Segmentation [1.3869502085838448]
本稿では,形態素前処理と拡張U-netアーキテクチャを併用した画像強調手法を提案する。
ROC曲線 (>0.9762) と分類精度 (>95.47%) の領域において、領域内の他のアルゴリズムと比較して顕著な改善が得られた。
論文 参考訳（メタデータ） (2022-03-18T15:26:05Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳（メタデータ） (2020-05-08T03:16:15Z)
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。