Fugu-MT 論文翻訳(概要): Robust Multi-Domain Mitosis Detection

論文の概要: Robust Multi-Domain Mitosis Detection

arxiv url: http://arxiv.org/abs/2109.15092v1
Date: Mon, 13 Sep 2021 06:25:15 GMT
ステータス: 処理完了
システム内更新日: 2021-10-03 10:38:47.512098
Title: Robust Multi-Domain Mitosis Detection
Title（参考訳）: ロバスト・マルチドメイン・ミトーシス検出法
Authors: Mustaffa Hussain, Ritesh Gangnani and Sasidhar Kadiyala
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Domain variability is a common bottle neck in developing generalisable algorithms for various medical applications. Motivated by the observation that the domain variability of the medical images is to some extent compact, we propose to learn a target representative feature space through unpaired image to image translation (CycleGAN). We comprehensively evaluate the performanceand usefulness by utilising the transformation to mitosis detection with candidate proposal and classification. This work presents a simple yet effective multi-step mitotic figure detection algorithm developed as a baseline for the MIDOG challenge. On the preliminary test set, the algorithm scoresan F1 score of 0.52.
Abstract（参考訳）: ドメイン可変性は、様々な医学応用のための一般化可能なアルゴリズムを開発する上で、一般的なボトルネックである。医用画像の領域変動がある程度コンパクトであるという観察に動機づけられ,非ペア画像から画像への変換(cyclegan)により対象特徴空間を学習することを提案する。提案手法と分類法を用いて,ミトーシス検出への変換を利用して,性能と有用性を総合的に評価した。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。予備テストセットでは、アルゴリズムはf1スコアを0.52とする。

関連論文リスト

QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文参考訳（メタデータ） (2024-03-19T17:57:24Z)
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)
MVC: A Multi-Task Vision Transformer Network for COVID-19 Diagnosis from Chest X-ray Images [10.616065108433798]
本稿では,胸部X線画像を同時に分類し,入力データから影響領域を識別するマルチタスク・ビジョン・トランスフォーマ(MVC)を提案する。提案手法はVision Transformer上に構築されているが,マルチタスク設定で学習能力を拡張している。
論文参考訳（メタデータ） (2023-09-30T15:52:18Z)
Improving Mitosis Detection Via UNet-based Adversarial Domain Homogenizer [1.7298084639157258]
本稿では,入力画像の対角的再構成による組織像の領域差を軽減するため,有糸分裂検出のためのドメインホモジェナイザを提案する。我々は,前処理した画像間の領域差の低減を観察することにより,ドメインホモジェナイザの有効性を示す。このホモジェナイザーと後続の網膜-網状物体検出器を用いて、検出されたミオティックな図形の平均精度で2021 MIDOGチャレンジのベースラインを上回りました。
論文参考訳（メタデータ） (2022-09-15T11:15:57Z)
MitoDet: Simple and robust mitosis detection [0.31498833540989407]
ドメインシフトの重要なソースは、異なる顕微鏡とそのカメラシステムによって導入され、デジタル化された画像の色表現が顕著に変化する。このアルゴリズムは,強いデータ拡張を訓練したRetinaNetを用いて,予備テストセットで0.7138のF1スコアを達成している。
論文参考訳（メタデータ） (2021-09-02T17:19:08Z)
Domain Adversarial RetinaNet as a Reference Algorithm for the MItosis DOmain Generalization (MIDOG) Challenge [1.4732811715354452]
Mitosis DOmain Generalization Challengeは、有糸分裂図形検出のタスクに対するこの特定の領域シフトに焦点を当てている。本研究は,ドメイン逆数学習に基づく,課題のベースラインとして開発された有理数検出アルゴリズムを提案する。
論文参考訳（メタデータ） (2021-08-25T14:49:11Z)
Self-Attentive Spatial Adaptive Normalization for Cross-Modality Domain Adaptation [9.659642285903418]
放射線科医の費用負担を軽減するための医用画像のクロスモダリティ合成本稿では,教師なしまたは教師なし(非ペア画像データ)の設定が可能な医用画像における画像から画像への変換手法を提案する。
論文参考訳（メタデータ） (2021-03-05T16:22:31Z)
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)
Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文参考訳（メタデータ） (2020-03-23T14:35:08Z)
Unsupervised Bidirectional Cross-Modality Adaptation via Deeply Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。 2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文参考訳（メタデータ） (2020-02-06T13:49:47Z)

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。