Fugu-MT 論文翻訳(概要): Domain Adaptive Cascade R-CNN for MItosis DOmain Generalization (MIDOG) Challenge

論文の概要: Domain Adaptive Cascade R-CNN for MItosis DOmain Generalization (MIDOG) Challenge

arxiv url: http://arxiv.org/abs/2109.00965v1
Date: Wed, 1 Sep 2021 10:10:28 GMT
ステータス: 処理完了
システム内更新日: 2021-09-04 12:31:36.284162
Title: Domain Adaptive Cascade R-CNN for MItosis DOmain Generalization (MIDOG) Challenge
Title（参考訳）: Mitosis DOmain Generalization (MIDOG) のためのDomain Adaptive Cascade R-CNN
Authors: Xi Long, Ying Cheng, Xiao Mu, Lian Liu and Jingxin Liu
Abstract要約: 本稿では,デジタル病理像のミトーシス検出のための領域適応カスケードR-CNN法の概要について述べる。提案手法はMitosis DOmain Generalization (MIDOG) Challengeにおける予備テストセットにおいて0.7500のF1スコアを達成した。
参考スコア（独自算出の注目度）: 4.263758771935993
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We present a summary of the domain adaptive cascade R-CNN method for mitosis detection of digital histopathology images. By comprehensive data augmentation and adapting existing popular detection architecture, our proposed method has achieved an F1 score of 0.7500 on the preliminary test set in MItosis DOmain Generalization (MIDOG) Challenge at MICCAI2021.
Abstract（参考訳）: 本稿では,デジタル病理像のミトーシス検出のための領域適応カスケードR-CNN法の概要を紹介する。提案手法は,MICCAI2021におけるMitosis DOmain Generalization (MIDOG) Challengeの予備テストセットにおいて,包括的データ拡張と既存の一般的な検出アーキテクチャの適用により,F1スコア0.7500を達成した。

関連論文リスト

SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文参考訳（メタデータ） (2024-02-27T06:32:56Z)
Consistency Trajectory Models: Learning Probability Flow ODE Trajectory of Diffusion [56.38386580040991]
Consistency Trajectory Model (CTM) は Consistency Models (CM) の一般化である CTMは、対戦訓練とスコアマッチング損失を効果的に組み合わせることで、パフォーマンスを向上させる。 CMとは異なり、CTMのスコア関数へのアクセスは、確立された制御可能/条件生成メソッドの採用を合理化することができる。
論文参考訳（メタデータ） (2023-10-01T05:07:17Z)
Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
論文参考訳（メタデータ） (2023-09-03T16:02:01Z)
Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文参考訳（メタデータ） (2023-01-03T13:06:44Z)
A Meta-GNN approach to personalized seizure detection and classification [53.906130332172324]
本稿では,特定の患者に限られた発作サンプルから迅速に適応できるパーソナライズされた発作検出・分類フレームワークを提案する。トレーニング患者の集合からグローバルモデルを学ぶメタGNNベースの分類器を訓練する。本手法は, 未確認患者20回に限って, 精度82.7%, F1スコア82.08%を達成し, ベースラインよりも優れていた。
論文参考訳（メタデータ） (2022-11-01T14:12:58Z)
Robust Multi-Domain Mitosis Detection [0.0]
未ペア画像から画像翻訳(CycleGAN)による対象特徴空間の学習本研究は,MIDOGチャレンジのベースラインとして開発された,シンプルだが効果的な多段階的図形検出アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-09-13T06:25:15Z)
Stain-Robust Mitotic Figure Detection for the Mitosis Domain Generalization Challenge [2.072197863131669]
Mitosis DOmain Generalization (MIDOG)の課題は、複数のスキャナーから見えないデータに対して、検出モデルの堅牢性をテストすることである。この課題に対処するために,TAAセンターチームが採用したアプローチについて,簡単な概要を述べる。
論文参考訳（メタデータ） (2021-09-02T11:44:42Z)
Deep Learning-based mitosis detection in breast cancer histologic samples [0.0]
ニューラルネットワークアーキテクチャのバックボーンとして、Faster RCNNとDenseNetをベースとしている。 F1スコアは0.6645で、予備試験フェーズ・リーダーボードで達成される。
論文参考訳（メタデータ） (2021-09-02T09:47:43Z)
Two-step Domain Adaptation for Mitosis Cell Detection in Histopathology Images [0.0]
高速RCNNと畳み込みニューラルネットワーク(CNN)を用いた2段階領域シフト不変ミオシス細胞検出法を提案する。我々は,染色増強技術を用いて,既存の病理像のドメインシフト版を多数生成する。実験の結果,提案手法は,領域シフトした病理組織像に対して有望な性能を達成できることが示された。
論文参考訳（メタデータ） (2021-08-31T23:14:55Z)
Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。私たちのアプローチは既存のドメイン戦略よりも優れています。
論文参考訳（メタデータ） (2021-07-20T09:44:07Z)
Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文参考訳（メタデータ） (2020-07-04T07:56:02Z)

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。