Fugu-MT 論文翻訳(概要): Urine Microscopic Image Dataset

論文の概要: Urine Microscopic Image Dataset

arxiv url: http://arxiv.org/abs/2111.10374v1
Date: Fri, 19 Nov 2021 13:11:04 GMT
ステータス: 処理完了
システム内更新日: 2021-11-26 10:44:19.331159
Title: Urine Microscopic Image Dataset
Title（参考訳）: 尿中微視画像データセット
Authors: Dipam Goswami, Hari Om Aggrawal, Rajiv Gupta, Vinti Agarwal
Abstract要約: 最近の研究では、尿細胞を分類して検出するディープラーニングベースのアルゴリズムを設計するために尿顕微鏡データセットが使われています。約3700の細胞アノテーションとRBC, pus, 上皮細胞の3つのカテゴリからなる尿沈着顕微鏡画像(UMID)データセットを作成した。
参考スコア（独自算出の注目度）: 1.9594704501292781
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Urinalysis is a standard diagnostic test to detect urinary system related problems. The automation of urinalysis will reduce the overall diagnostic time. Recent studies used urine microscopic datasets for designing deep learning based algorithms to classify and detect urine cells. But these datasets are not publicly available for further research. To alleviate the need for urine datsets, we prepare our urine sediment microscopic image (UMID) dataset comprising of around 3700 cell annotations and 3 categories of cells namely RBC, pus and epithelial cells. We discuss the several challenges involved in preparing the dataset and the annotations. We make the dataset publicly available.
Abstract（参考訳）: 尿路透析は尿路系の問題を検出する標準的な診断法である。尿素分解の自動化は、全体の診断時間を短縮する。最近の研究では、尿細胞を分類し検出する深層学習に基づくアルゴリズムを設計するために尿の微視的データセットを用いた。しかし、これらのデータセットはさらなる研究のためには公開されていない。尿ダットセットの必要性を軽減するため,約3700の細胞アノテーションとRBC,pus,上皮細胞の3つのカテゴリからなる尿沈着顕微鏡画像(UMID)データセットを作成した。データセットとアノテーションの作成に関わるいくつかの課題について論じる。データセットを公開しています。

関連論文リスト

IDCIA: Immunocytochemistry Dataset for Cellular Image Analysis [0.5057850174013127]
そこで我々は,細胞画像解析のための機械学習手法の有効性を向上させるために,新しい注釈付き微視的セル画像データセットを提案する。我々のデータセットには、細胞の顕微鏡像と、各画像、細胞数、細胞の位置が含まれています。
論文参考訳（メタデータ） (2024-11-13T19:33:08Z)
Enhancing Angular Resolution via Directionality Encoding and Geometric Constraints in Brain Diffusion Tensor Imaging [70.66500060987312]
拡散強調画像(DWI)は、水分子の拡散率に感応した磁気共鳴イメージング(MRI)の一種である。本研究はDirGeo-DTIを提案する。DirGeo-DTIは、勾配方向の最小理論数(6)で得られたDWIの集合からでも、信頼できるDTIメトリクスを推定する深層学習に基づく手法である。
論文参考訳（メタデータ） (2024-09-11T11:12:26Z)
Super-resolution of biomedical volumes with 2D supervision [84.5255884646906]
超解像のための仮設スライス拡散は、生物学的標本のすべての空間次元にわたるデータ生成分布の固有同値性を利用する。我々は,高解像度2次元画像の高速取得を特徴とするSliceRの組織学的刺激(SRH)への応用に着目する。
論文参考訳（メタデータ） (2024-04-15T02:41:55Z)
Deep-learning Assisted Detection and Quantification of (oo)cysts of Giardia and Cryptosporidium on Smartphone Microscopy Images [0.7508386479587535]
我々は,GiardiaとCryptosporidiumの(o)嚢胞を検出する4つの最先端物体検出器の性能を評価した。深層学習モデルは、その有効性と限界を探求するために用いられた。以上の結果から, 深層学習モデルでは, 明視野顕微鏡画像データセットの方が精度がよいが, スマートフォンの顕微鏡による予測は, 非専門家の予測性能に匹敵することがわかった。
論文参考訳（メタデータ） (2023-04-11T16:58:59Z)
DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell Detection and Counting [14.222014969736993]
マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。本稿では,細胞間における識別的特徴の活用を誘導することにより,物体検出を支援するガイド付き後部正則化(DeGPR)を提案する。 2つの公開データセットと、コントリビュートした新しいデータセットであるMuCeD上で、私たちのモデルを検証します。
論文参考訳（メタデータ） (2023-04-03T06:25:45Z)
Semi-Automatic Labeling and Semantic Segmentation of Gram-Stained Microscopic Images from DIBaS Dataset [2.0225826789157404]
深層学習モデルは、細菌種のセグメンテーションと分類を達成するために訓練される。ディープラーニングモデルは、バイオメディカル画像処理に多大な応用を見出す。
論文参考訳（メタデータ） (2022-08-23T05:18:19Z)
Unsupervised Anomaly Detection in 3D Brain MRI using Deep Learning with impured training data [53.122045119395594]
トレーニングデータ中の不健康なサンプルが脳MRIスキャンの異常検出性能に与える影響について検討した。 AEの再構成誤差に基づいて,トレーニング中に誤ラベル付きサンプルを直接識別する手法の評価を行った。
論文参考訳（メタデータ） (2022-04-12T13:05:18Z)
Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文参考訳（メタデータ） (2021-08-23T12:06:00Z)
Multi-class motion-based semantic segmentation for ureteroscopy and laser lithotripsy [0.7874708385247353]
石とレーザー繊維の分断のためのエンドツーエンドCNNベースのフレームワークを提案する。本研究では,UNet,HybResUNet,DeepLabv3+と比較して,25.4%,20%,11%の平均改善率を示す新たな臨床データセットの一般化を検討した。
論文参考訳（メタデータ） (2021-04-02T22:47:21Z)
Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文参考訳（メタデータ） (2020-10-20T08:36:51Z)
Ensemble Transfer Learning for the Prediction of Anti-Cancer Drug Response [49.86828302591469]
本稿では,抗がん剤感受性の予測にトランスファーラーニングを適用した。我々は、ソースデータセット上で予測モデルをトレーニングし、ターゲットデータセット上でそれを洗練する古典的な転送学習フレームワークを適用した。アンサンブル転送学習パイプラインは、LightGBMと異なるアーキテクチャを持つ2つのディープニューラルネットワーク(DNN)モデルを使用して実装されている。
論文参考訳（メタデータ） (2020-05-13T20:29:48Z)

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。