論文の概要: Robust Interactive Semantic Segmentation of Pathology Images with Minimal User Input

• arxiv url: http://arxiv.org/abs/2108.13368v1
• Date: Mon, 30 Aug 2021 16:43:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-31 15:54:34.116972
• Title: Robust Interactive Semantic Segmentation of Pathology Images with Minimal User Input
• Title（参考訳）: ユーザ入力最小の病理画像のロバストな対話的意味セグメンテーション
• Authors: Mostafa Jahanifar, Neda Zamani Tajeddin, Navid Alemi Koohbanani and Nasir Rajpoot
• Abstract要約: 組織像の異なる組織タイプを正確にアノテートするために,ユーザからの最小限の入力を必要とする,効率的なインタラクティブセグメンテーションネットワークを提案する。 提案手法は対話型アノテーション処理を高速化するだけでなく,既存の自動および対話型領域分割モデルよりも優れていることを示す。
• 参考スコア（独自算出の注目度）: 1.5328185694137677
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: From the simple measurement of tissue attributes in pathology workflow to designing an explainable diagnostic/prognostic AI tool, access to accurate semantic segmentation of tissue regions in histology images is a prerequisite. However, delineating different tissue regions manually is a laborious, time-consuming and costly task that requires expert knowledge. On the other hand, the state-of-the-art automatic deep learning models for semantic segmentation require lots of annotated training data and there are only a limited number of tissue region annotated images publicly available. To obviate this issue in computational pathology projects and collect large-scale region annotations efficiently, we propose an efficient interactive segmentation network that requires minimum input from the user to accurately annotate different tissue types in the histology image. The user is only required to draw a simple squiggle inside each region of interest so it will be used as the guiding signal for the model. To deal with the complex appearance and amorph geometry of different tissue regions we introduce several automatic and minimalistic guiding signal generation techniques that help the model to become robust against the variation in the user input. By experimenting on a dataset of breast cancer images, we show that not only does our proposed method speed up the interactive annotation process, it can also outperform the existing automatic and interactive region segmentation models.
• Abstract（参考訳）: 病理ワークフローにおける組織属性の簡易な測定から、診断/予後診断ツールの設計まで、組織画像における組織領域の正確なセグメンテーションへのアクセスは必須条件である。 しかし、異なる組織領域を手動で記述することは、専門家の知識を必要とする労力と時間とコストのかかる作業である。 一方、セマンティックセグメンテーションのための最先端の自動ディープラーニングモデルは、多くの注釈付きトレーニングデータを必要としており、公開されている組織領域の注釈付き画像は限られている。 計算機病理プロジェクトにおけるこの問題を解消し,大規模領域アノテーションを効率的に収集するために,ユーザからの入力を最小にし,組織像の異なる組織タイプを正確にアノテートする効率的な対話型セグメンテーションネットワークを提案する。 ユーザーは興味のある各領域に単純なリスグルを描くだけでよいので、モデルの誘導信号として使用される。 異なる組織領域の複雑な外観やアモルファス形状に対処するために、モデルがユーザ入力の変動に対して堅牢になるのに役立つ、いくつかの自動および最小限のガイド信号生成技術を導入する。 乳がん画像のデータセットを実験することにより,提案手法がインタラクティブなアノテーション処理を高速化するだけでなく,既存の自動的およびインタラクティブな領域分割モデルよりも優れていることを示す。

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)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• CGAM: Click-Guided Attention Module for Interactive Pathology Image Segmentation via Backpropagating Refinement [8.590026259176806]
  腫瘍領域のセグメンテーションは、デジタル病理の定量的解析に欠かせない課題である。 最近のディープニューラルネットワークは、様々な画像分割タスクで最先端のパフォーマンスを示している。 本稿では,クリック型ユーザインタラクションによるディープニューラルネットワークの出力を改良する対話的セグメンテーション手法を提案する。
  論文  参考訳（メタデータ） (2023-07-03T13:45:24Z)
• Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model [7.021021047695508]
  病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。 本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。 より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-04-07T10:12:21Z)
• 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)
• Valuing Vicinity: Memory attention framework for context-based semantic segmentation in histopathology [0.8866112270350612]
  詳細な種類の組織を同定することは、パーソナライズされたがん治療の提供に不可欠である。 本稿では,パッチ埋め込みメモリバンクから隣接する組織コンテキストを問い合わせるパッチ近傍の注意機構を提案する。 私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
  論文  参考訳（メタデータ） (2022-10-21T08:49:30Z)
• 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)
• 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)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。