論文の概要: Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images

• arxiv url: http://arxiv.org/abs/2109.15283v1
• Date: Thu, 30 Sep 2021 17:29:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-01 14:57:06.308146
• Title: Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images
• Title（参考訳）: Bend-Net: 病理画像における核分割のための正規化マルチタスク学習ネットワーク
• Authors: Haotian Wang, Aleksandar Vakanski, Changfa Shi, Min Xian
• Abstract要約: 重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
• 参考スコア（独自算出の注目度）: 65.47507533905188
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Separating overlapped nuclei is a major challenge in histopathology image analysis. Recently published approaches have achieved promising overall performance on nuclei segmentation; however, their performance on separating overlapped nuclei is quite limited. To address the issue, we propose a novel multitask learning network with a bending loss regularizer to separate overlapped nuclei accurately. The newly proposed multitask learning architecture enhances the generalization by learning shared representation from three tasks: instance segmentation, nuclei distance map prediction, and overlapped nuclei distance map prediction. The proposed bending loss defines high penalties to concave contour points with large curvatures, and applies small penalties to convex contour points with small curvatures. Minimizing the bending loss avoids generating contours that encompass multiple nuclei. In addition, two new quantitative metrics, Aggregated Jaccard Index of overlapped nuclei (AJIO) and Accuracy of overlapped nuclei (ACCO), are designed for the evaluation of overlapped nuclei segmentation. We validate the proposed approach on the CoNSeP and MoNuSegv1 datasets using seven quantitative metrics: Aggregate Jaccard Index, Dice, Segmentation Quality, Recognition Quality, Panoptic Quality, AJIO, and ACCO. Extensive experiments demonstrate that the proposed Bend-Net outperforms eight state-of-the-art approaches.
• Abstract（参考訳）: 重なり合う核の分離は病理組織学的画像解析において大きな課題である。 最近発表されたアプローチでは、核のセグメンテーションにおける全体的な性能が期待できるが、重なり合う核を分離する性能は極めて限られている。 そこで本研究では,重なり核を正確に分離する曲げ損失調整器を備えたマルチタスク学習ネットワークを提案する。 新しく提案されたマルチタスク学習アーキテクチャは、インスタンスセグメンテーション、核距離マップ予測、重なり合う核距離マップ予測という3つのタスクから共有表現を学習することで一般化を促進する。 提案する曲げ損失は,凹凸点を大曲率で対流する高いペナルティを定義し,小曲率の凸凸点に対して小さいペナルティを適用する。 曲げ損失の最小化は、複数の核を含む輪郭の生成を避ける。 さらに, 重なり核のjaccard index (ajio) と重なり核の精度 (acco) という2つの新しい定量的指標を用いて, 重なり核のセグメンテーションの評価を行った。 consep と monusegv1 データセットに対する提案手法を7つの定量的指標(アグリゲート jaccard index, dice, segmentation quality, recognition quality, panoptic quality, ajio, acco)を用いて検証した。 広範な実験により、ベンドネットは最先端の8つのアプローチよりも優れていることが示されている。

関連論文リスト

• BoNuS: Boundary Mining for Nuclei Segmentation with Partial Point Labels [34.57288003249214]
  本稿では,核の部分点ラベルのみを必要とする弱制御型核分割法を提案する。 具体的には,核内部情報と境界情報とを同時に学習するBoNuSという,核セグメンテーションのための新しい境界地雷フレームワークを提案する。 形態学的な知識で欠落した核を検出するためのカリキュラム学習を備えた核検出モジュールについて検討する。
  論文  参考訳（メタデータ） (2024-01-15T02:50:39Z)
• Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
  核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。 本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。 ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
  論文  参考訳（メタデータ） (2023-08-07T08:03:20Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• CPP-Net: Context-aware Polygon Proposal Network for Nucleus Segmentation [71.81734047345587]
  核分割のためのコンテキストアウェアポリゴンプロポーザルネットワーク(CPP-Net)を提案する。 まず、距離予測のために各セル内の1つのピクセルではなく1つのポイントセットをサンプリングする。 次に,サンプリングされた点集合から予測を適応的に融合する信頼度に基づく重み付けモジュールを提案する。 第3に,予測された多角形形状を制約した新しい形状認識損失(sap)を提案する。
  論文  参考訳（メタデータ） (2021-02-13T05:59:52Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• Bending Loss Regularized Network for Nuclei Segmentation in Histopathology Images [69.74667930907314]
  核分割のための曲げ損失正規化ネットワークを提案する。 提案した曲げ損失は、大きな曲率を持つ輪郭点に対する高い罰則を定義し、小さな曲率を持つ輪郭点に小さな罰則を適用する。 曲げ損失の最小化は、複数の核を含む輪郭の発生を避けることができる。
  論文  参考訳（メタデータ） (2020-02-03T21:20:50Z)

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。