論文の概要: TA-Net: Topology-Aware Network for Gland Segmentation

• arxiv url: http://arxiv.org/abs/2110.14593v1
• Date: Wed, 27 Oct 2021 17:10:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-28 15:14:23.541562
• Title: TA-Net: Topology-Aware Network for Gland Segmentation
• Title（参考訳）: TA-Net:グランドセグメンテーションのためのトポロジー対応ネットワーク
• Authors: Haotian Wang, Min Xian, Aleksandar Vakanski
• Abstract要約: 本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 71.52681611057271
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Gland segmentation is a critical step to quantitatively assess the morphology of glands in histopathology image analysis. However, it is challenging to separate densely clustered glands accurately. Existing deep learning-based approaches attempted to use contour-based techniques to alleviate this issue but only achieved limited success. To address this challenge, we propose a novel topology-aware network (TA-Net) to accurately separate densely clustered and severely deformed glands. The proposed TA-Net has a multitask learning architecture and enhances the generalization of gland segmentation by learning shared representation from two tasks: instance segmentation and gland topology estimation. The proposed topology loss computes gland topology using gland skeletons and markers. It drives the network to generate segmentation results that comply with the true gland topology. We validate the proposed approach on the GlaS and CRAG datasets using three quantitative metrics, F1-score, object-level Dice coefficient, and object-level Hausdorff distance. Extensive experiments demonstrate that TA-Net achieves state-of-the-art performance on the two datasets. TA-Net outperforms other approaches in the presence of densely clustered glands.
• Abstract（参考訳）: 腺分画は病理組織像解析において腺の形態を定量的に評価するための重要なステップである。 しかし、密集した腺を正確に分離することは困難である。 既存のディープラーニングベースのアプローチでは、contourベースのテクニックを使用してこの問題を緩和しようとしたが、成功は限定的だった。 この課題に対処するために,密集した腺と高度に変形した腺を正確に分離する新しいトポロジー対応ネットワーク(TA-Net)を提案する。 提案するTA-Netはマルチタスク学習アーキテクチャを備え,2つのタスクから共有表現を学習することにより,腺のセグメンテーションの一般化を促進する。 提案するトポロジー損失は腺骨格とマーカーを用いて腺トポロジーを計算する。 ネットワークを駆動して、真の腺トポロジーに準拠したセグメンテーション結果を生成する。 提案手法を,f1-score,object-level dice coefficient,object-level hausdorff distanceの3つの定量的指標を用いて検証した。 大規模な実験により、TA-Netは2つのデータセットで最先端のパフォーマンスを達成する。 TA-Netは密集した腺の存在において他のアプローチよりも優れている。

関連論文リスト

• DFGET: Displacement-Field Assisted Graph Energy Transmitter for Gland Instance Segmentation [1.907126872483548]
  これらの問題を解決するために、変位場支援グラフエネルギー送信機(DFGET)フレームワークを提案する。 具体的には、異方性拡散に基づく新しいメッセージパッシング手法を開発し、ノードの特徴を更新する。 DFの制約により、拡散理論に基づくグラフクラスタモジュールがクラス内の特徴整合性を改善するために提示される。
  論文  参考訳（メタデータ） (2023-12-11T01:42:10Z)
• Interpolation-based Correlation Reduction Network for Semi-Supervised Graph Learning [49.94816548023729]
  補間型相関低減ネットワーク(ICRN)と呼ばれる新しいグラフコントラスト学習手法を提案する。 提案手法では,決定境界のマージンを大きくすることで,潜在特徴の識別能力を向上させる。 この2つの設定を組み合わせることで、豊富なラベル付きノードと稀に価値あるラベル付きノードから豊富な監視情報を抽出し、離散表現学習を行う。
  論文  参考訳（メタデータ） (2022-06-06T14:26:34Z)
• Deep Multi-Scale U-Net Architecture and Noise-Robust Training Strategies for Histopathological Image Segmentation [6.236433671063744]
  本稿では,U-Netエンコーダの各畳み込みモジュールにマルチスケールの特徴マップを明示的に付加し,ヒストロジー画像のセグメンテーションを改善することを提案する。 乳がんリンパ節のプライベートデータセットを用いた実験では, 提案した2つの拡張に基づいて, U-Netベースラインを大幅に改善した。
  論文  参考訳（メタデータ） (2022-05-03T21:00:44Z)
• Self-Ensembling GAN for Cross-Domain Semantic Segmentation [107.27377745720243]
  本稿では,セマンティックセグメンテーションのためのクロスドメインデータを利用した自己理解型生成逆数ネットワーク(SE-GAN)を提案する。 SE-GANでは、教師ネットワークと学生ネットワークは、意味分節マップを生成するための自己組織化モデルを構成する。 その単純さにもかかわらず、SE-GANは敵の訓練性能を大幅に向上させ、モデルの安定性を高めることができる。
  論文  参考訳（メタデータ） (2021-12-15T09:50:25Z)
• Topology-Aware Segmentation Using Discrete Morse Theory [38.65353702366932]
  深部画像セグメンテーションネットワークを訓練し、位相精度を向上させる新しい手法を提案する。 1次元骨格や2次元パッチなど,位相的精度に重要なグローバル構造を明らかにする。 多様なデータセットに対して,DICEスコアとトポロジカルメトリクスの両方で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-18T02:47:21Z)
• 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)
• Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
  病理組織像における腺分節に対するPRS2モデルを提案する。 このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。 我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
  論文  参考訳（メタデータ） (2020-08-06T15:02:38Z)
• Boundary-assisted Region Proposal Networks for Nucleus Segmentation [89.69059532088129]
  大量の核が混在しているため、機械学習モデルはうまく機能しない。 我々は、堅牢なインスタンスレベルの核分割を実現する境界支援領域提案ネットワーク(BRP-Net)を考案する。
  論文  参考訳（メタデータ） (2020-06-04T08:26:38Z)

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。