論文の概要: W-Net: A Two-Stage Convolutional Network for Nucleus Detection in
Histopathology Image
- arxiv url: http://arxiv.org/abs/2110.13670v1
- Date: Tue, 26 Oct 2021 13:00:16 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 21:09:12.473474
- Title: W-Net: A Two-Stage Convolutional Network for Nucleus Detection in
Histopathology Image
- Title(参考訳): W-Net: 病理組織像における核検出のための2段階畳み込みネットワーク
- Authors: Anyu Mao, Jialun Wu, Xinrui Bao, Zeyu Gao, Tieliang Gong, and Chen Li
- Abstract要約: 自動核検出のためのW字型ネットワークを提案する。
最初のサブタスクは、元の病理画像をバイナリマスクにマッピングし、次にバイナリマスクを密度マスクにマッピングする。
タスク分割後、タスクの難易度が大幅に低下し、ネットワーク全体の性能が向上する。
- 参考スコア(独自算出の注目度): 5.065311617930521
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Pathological diagnosis is the gold standard for cancer diagnosis, but it is
labor-intensive, in which tasks such as cell detection, classification, and
counting are particularly prominent. A common solution for automating these
tasks is using nucleus segmentation technology. However, it is hard to train a
robust nucleus segmentation model, due to several challenging problems, the
nucleus adhesion, stacking, and excessive fusion with the background. Recently,
some researchers proposed a series of automatic nucleus segmentation methods
based on point annotation, which can significant improve the model performance.
Nevertheless, the point annotation needs to be marked by experienced
pathologists. In order to take advantage of segmentation methods based on point
annotation, further alleviate the manual workload, and make cancer diagnosis
more efficient and accurate, it is necessary to develop an automatic nucleus
detection algorithm, which can automatically and efficiently locate the
position of the nucleus in the pathological image and extract valuable
information for pathologists. In this paper, we propose a W-shaped network for
automatic nucleus detection. Different from the traditional U-Net based method,
mapping the original pathology image to the target mask directly, our proposed
method split the detection task into two sub-tasks. The first sub-task maps the
original pathology image to the binary mask, then the binary mask is mapped to
the density mask in the second sub-task. After the task is split, the task's
difficulty is significantly reduced, and the network's overall performance is
improved.
- Abstract(参考訳): 病理診断はがん診断における金の標準であるが、特に細胞検出、分類、計数などのタスクが顕著である労働集約型である。
これらのタスクを自動化する一般的な解決策は、核セグメンテーション技術である。
しかし、いくつかの困難な問題、核の接着、積み重ね、背景との過剰な融合などにより、堅牢な核分節モデルの訓練は困難である。
近年、いくつかの研究者が点アノテーションに基づく一連の核セグメンテーション手法を提案し、モデルの性能を著しく向上させた。
それにもかかわらず、ポイントアノテーションは経験豊富な病理学者によってマークされる必要がある。
ポイントアノテーションに基づくセグメンテーション手法の活用,手作業負荷の軽減,がん診断の効率化と精度向上のためには,病理画像中の核の位置を自動的にかつ効率的に検出し,病理医に有用な情報を抽出する自動核検出アルゴリズムを開発する必要がある。
本稿では,核自動検出のためのW字型ネットワークを提案する。
従来のu-netベースの手法と異なり、元の病理像をターゲットマスクに直接マッピングすることで、提案手法では検出タスクを2つのサブタスクに分割した。
最初のサブタスクは元の病理画像をバイナリマスクにマッピングし、次にバイナリマスクを第2サブタスクの密度マスクにマッピングする。
タスクが分割された後、タスクの難易度が大幅に低下し、ネットワーク全体のパフォーマンスが向上する。
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) - 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) - Nuclei panoptic segmentation and composition regression with multi-task
deep neural networks [0.12183405753834559]
本報告では,Crocol Nuclei Identification and Counting (CoNIC) に提案した手法について述べる。
提案手法では, マルチタスク学習フレームワークを用いて, 単視分割タスクと回帰タスクを実行する。
パノプティカルセグメンテーションタスクでは、エンコーダ-デコーダ型ディープニューラルネットワークを用いて方向マップとセグメンテーションマップを予測し、近隣の核を異なるインスタンスに分割する。
論文 参考訳(メタデータ) (2022-02-23T22:09:37Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳(メタデータ) (2021-12-20T13:29:13Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Accurate Cell Segmentation in Digital Pathology Images via Attention
Enforced Networks [0.0]
本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。
実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
論文 参考訳(メタデータ) (2020-12-14T03:39:33Z) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳(メタデータ) (2020-12-06T18:55:07Z) - 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) - Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray
Images [0.0]
医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。
本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
論文 参考訳(メタデータ) (2020-07-01T20:48:35Z) - NINEPINS: Nuclei Instance Segmentation with Point Annotations [2.19221864553448]
本稿では,ポイントアノテーションから自動生成される擬似ラベルセグメンテーションを用いたサンプルセグメンテーションのアルゴリズムを提案する。
生成されたセグメンテーションマスクを用いて、提案手法は、インスタンスセグメンテーションを実現するために、HoVer-Netモデルの修正版を訓練する。
実験結果から,提案手法はポイントアノテーションの不正確性に対して頑健であり,完全注釈付きインスタンスマスクを用いたHover-Netと比較すると,セグメンテーション性能の劣化が必ずしも組織分類などの高次タスクの劣化を意味するとは限らないことが示唆された。
論文 参考訳(メタデータ) (2020-06-24T08:28:52Z)
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。