論文の概要: Assessing domain adaptation techniques for mitosis detection in multi-scanner breast cancer histopathology images

• arxiv url: http://arxiv.org/abs/2109.00869v1
• Date: Wed, 1 Sep 2021 16:27:46 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-03 13:47:19.035791
• Title: Assessing domain adaptation techniques for mitosis detection in multi-scanner breast cancer histopathology images
• Title（参考訳）: マルチスキャン乳癌病理組織像におけるmitosis検出のためのドメイン適応法の検討
• Authors: Jack Breen, Kieran Zucker, Nicolas Orsi, Geoff Hall, Nishant Ravikumar
• Abstract要約: 2つのミトーシス検出モデルと2つのスタイル転送法を訓練し、ミトーシス検出性能を向上させるために後者の有用性を評価する。 これらの最も優れたU-Netは、MIDOG 2021の予備テストセットでF1スコア0.693を達成した。
• 参考スコア（独自算出の注目度）: 0.6999740786886536
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Breast cancer is the most prevalent cancer worldwide and over two million new cases are diagnosed each year. As part of the tumour grading process, histopathologists manually count how many cells are dividing, in a biological process called mitosis. Artificial intelligence (AI) methods have been developed to automatically detect mitotic figures, however these methods often perform poorly when applied to data from outside of the original (training) domain, i.e. they do not generalise well to histology images created using varied staining protocols or digitised using different scanners. Style transfer, a form of domain adaptation, provides the means to transform images from different domains to a shared visual appearance and have been adopted in various applications to mitigate the issue of domain shift. In this paper we train two mitosis detection models and two style transfer methods and evaluate the usefulness of the latter for improving mitosis detection performance in images digitised using different scanners. We found that the best of these models, U-Net without style transfer, achieved an F1-score of 0.693 on the MIDOG 2021 preliminary test set.
• Abstract（参考訳）: 乳がんは世界で最も多いがんであり、毎年200万人以上の新しい症例が診断されている。 腫瘍の診断プロセスの一環として、病理組織学者は細胞分裂の回数を細胞分裂と呼ばれる生物学的プロセスで手動で計算する。 人工知能(AI)法は、有糸分裂図形を自動的に検出する手法が開発されているが、元の(訓練)領域外からのデータに適用した場合、しばしば性能が低下する。 異なる染色プロトコルを用いて作成された組織像や、異なるスキャナを用いてデジタル化されたヒストロジー画像にうまく一般化していない。 ドメイン適応の形式であるスタイル転送は、異なるドメインから共有の視覚的外観にイメージを変換する手段を提供し、ドメインシフトの問題を軽減するために様々なアプリケーションで採用されている。 本稿では,2つのmitosis検出モデルと2つのスタイル転送法を訓練し,異なるスキャナを用いてデジタル化された画像におけるmitosis検出性能を向上させるための後者の有用性を評価する。 その結果,MIDOG 2021の予備テストセットでは,これらのモデルの中で最も優れたU-Netが0.693のF1スコアを達成した。

関連論文リスト

• Multi-Stain Multi-Level Convolutional Network for Multi-Tissue Breast Cancer Image Segmentation [5.572436001833252]
  病理組織学のための新しい畳み込みニューラルネットワーク(CNN)を提案する。 本モデルでは, 折り畳み, アーティファクト, ぼやけた領域, バブルなどの悪い領域を, 多段階のコンテキストを用いて組織領域から分離することができる。 トレーニングパイプラインでは、コンテキスト認識による拡張を使用して、1200万のパッチを生成しました。
  論文  参考訳（メタデータ） (2024-06-09T15:35:49Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• 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)
• Mitosis domain generalization in histopathology images -- The MIDOG challenge [12.69088811541426]
  病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。 最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。 MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
  論文  参考訳（メタデータ） (2022-04-06T11:43:10Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• 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)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Quantifying the Scanner-Induced Domain Gap in Mitosis Detection [8.09551131543818]
  異なるスライドスキャナを用いて導入したドメインシフトに対する標準トポトーシス検出手法の感受性を評価する。 本研究は, 生物化学的変動ではなく, 純粋に取得装置の選択によるドメインシフトが過小評価されていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T17:17:25Z)
• Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images [16.02231907106384]
  我々は,マルチインスタンス,ドメイン逆数,マルチスケール学習フレームワークを効果的に組み合わせ,CNNに基づく癌サブタイプ分類法を開発した。 分類性能は標準のCNNや他の従来の方法よりも有意に優れており, 精度は標準の病理医と比較して良好であった。
  論文  参考訳（メタデータ） (2020-01-06T14:09:51Z)

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。