論文の概要: Redesigning Fully Convolutional DenseUNets for Large Histopathology
Images
- arxiv url: http://arxiv.org/abs/2108.02676v1
- Date: Thu, 5 Aug 2021 15:14:20 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-06 14:50:18.350346
- Title: Redesigning Fully Convolutional DenseUNets for Large Histopathology
Images
- Title(参考訳): 大きな病理組織像に対する完全畳み込み線条体の再設計
- Authors: Juan P. Vigueras-Guill\'en, Joan Lasenby, and Frank Seeliger
- Abstract要約: 病理組織学の問題を解決するために,完全畳み込みDenseUNetを提案する。
課題として公表された2つの公開病理データセットを用いて,我々のネットワークを評価した。
- 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: The automated segmentation of cancer tissue in histopathology images can help
clinicians to detect, diagnose, and analyze such disease. Different from other
natural images used in many convolutional networks for benchmark,
histopathology images can be extremely large, and the cancerous patterns can
reach beyond 1000 pixels. Therefore, the well-known networks in the literature
were never conceived to handle these peculiarities. In this work, we propose a
Fully Convolutional DenseUNet that is particularly designed to solve
histopathology problems. We evaluated our network in two public pathology
datasets published as challenges in the recent MICCAI 2019: binary segmentation
in colon cancer images (DigestPath2019), and multi-class segmentation in
prostate cancer images (Gleason2019), achieving similar and better results than
the winners of the challenges, respectively. Furthermore, we discussed some
good practices in the training setup to yield the best performance and the main
challenges in these histopathology datasets.
- Abstract(参考訳): 病理組織像におけるがん組織の自動分割は、臨床医がそのような疾患を検出し、診断し、分析するのに役立つ。
ベンチマークのために多くの畳み込みネットワークで使用される他の自然画像とは異なり、病理像は非常に大きく、がんのパターンは1000ピクセルを超える。
そのため、文学における有名なネットワークは、これらの特質を扱うために決して考えられなかった。
本研究では,特に病理組織学の問題を解決するために設計された完全畳み込みDenseUNetを提案する。
最近のMICCAI 2019の課題として,大腸癌画像の2値分割(DigestPath2019)と前立腺癌画像の複数クラス分割(Gleason2019)の2つの公開病理データセットを用いてネットワークを評価し,各課題の勝者と類似した結果を得た。
さらに,これらの病理組織学データセットにおいて,最良の成績を得るためのトレーニングセットアップの優れたプラクティスと,主な課題について論じた。
関連論文リスト
- MRANet: A Modified Residual Attention Networks for Lung and Colon Cancer Classification [0.0]
肺癌と大腸癌は、がんの死亡率に大きく寄与する。
異なる画像検出に画像技術を活用することで、学習モデルは癌分類の自動化において有望であることが示されている。
改良された注意ネットワークアーキテクチャに基づく新しいアプローチを提案する。
提案モデルの精度は99.30%,96.63%,97.56%であった。
論文 参考訳(メタデータ) (2024-12-23T16:31:45Z) - MultiNet with Transformers: A Model for Cancer Diagnosis Using Images [8.686667049158476]
医用画像のマルチクラス分類のための独自のディープニューラルネットワーク設計を提供する。
データ収集機能を活用し,より正確な分類を行うために,トランスフォーマーをマルチクラスフレームワークに組み込んだ。
論文 参考訳(メタデータ) (2023-01-21T20:53:57Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳(メタデータ) (2022-06-16T17:11:08Z) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳(メタデータ) (2022-04-13T15:27:05Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Automated risk classification of colon biopsies based on semantic
segmentation of histopathology images [4.144141972397873]
本稿では,大腸病理組織像の自動評価における2つの大きな課題に対処するアプローチを提案する。
まず,H&E-Stained whole-slide画像中の複数の組織を分割するAIを用いた手法を提案する。
第2に、コンピュータ支援診断システムの基盤として、最高のAIモデルを使用する。
論文 参考訳(メタデータ) (2021-09-16T11:50:10Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳(メタデータ) (2021-01-12T23:02:26Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。