論文の概要: CoNIC: Colon Nuclei Identification and Counting Challenge 2022
- arxiv url: http://arxiv.org/abs/2111.14485v1
- Date: Mon, 29 Nov 2021 12:06:47 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-30 17:40:51.635171
- Title: CoNIC: Colon Nuclei Identification and Counting Challenge 2022
- Title(参考訳): conic:結腸核の同定と計数チャレンジ2022
- Authors: Simon Graham, Mostafa Jahanifar, Quoc Dang Vu, Giorgos Hadjigeorghiou,
Thomas Leech, David Snead, Shan E Ahmed Raza, Fayyaz Minhas, Nasir Rajpoot
- Abstract要約: 大腸核の同定とカウント(CoNIC)の課題を整理する。
研究者は、核のセグメンテーション、分類、カウントを行うアルゴリズムを開発することを奨励する。
この課題の一環として、各入力アルゴリズムの感度を特定の入力変動に対してテストする。
- 参考スコア(独自算出の注目度): 5.23834975053771
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Nuclear segmentation, classification and quantification within Haematoxylin &
Eosin stained histology images enables the extraction of interpretable
cell-based features that can be used in downstream explainable models in
computational pathology (CPath). However, automatic recognition of different
nuclei is faced with a major challenge in that there are several different
types of nuclei, some of them exhibiting large intra-class variability. To help
drive forward research and innovation for automatic nuclei recognition in
CPath, we organise the Colon Nuclei Identification and Counting (CoNIC)
Challenge. The challenge encourages researchers to develop algorithms that
perform segmentation, classification and counting of nuclei within the current
largest known publicly available nuclei-level dataset in CPath, containing
around half a million labelled nuclei. Therefore, the CoNIC challenge utilises
over 10 times the number of nuclei as the previous largest challenge dataset
for nuclei recognition. It is important for algorithms to be robust to input
variation if we wish to deploy them in a clinical setting. Therefore, as part
of this challenge we will also test the sensitivity of each submitted algorithm
to certain input variations.
- Abstract(参考訳): Haematoxylin & Eosin染色組織像中の核セグメンテーション、分類、定量化は、計算病理学(CPath)において下流で説明可能なモデルで使用できる解釈可能な細胞ベースの特徴の抽出を可能にする。
しかし、異なる原子核の自動認識は、いくつかの異なる種類の原子核が存在するという点で大きな課題に直面している。
CPathにおける自動核認識の先進的な研究と革新を支援するため、我々はColon Nuclei Identification and Counting (CoNIC) Challengeを組織する。
この課題は、約50万個のラベル付き核を含むcpathで現在最大の公に利用可能な核レベルのデータセット内の核のセグメンテーション、分類、計数を行うアルゴリズムの開発を研究者に促すものだ。
そのため、CoNICチャレンジは、これまでの核認識における最大のチャレンジデータセットの10倍以上の核数を利用する。
臨床環境で導入したい場合,アルゴリズムが入力変動に対して堅牢であることは重要である。
したがって、この課題の一環として、各提案アルゴリズムの感度を特定の入力変動に対して検証する。
関連論文リスト
- A Survey on Cell Nuclei Instance Segmentation and Classification: Leveraging Context and Attention [2.574831636177296]
我々は,H&E-stained microscopy imaging を用いて,細胞核のインスタンスのセグメンテーションと分類のコンテキストとアテンションに関する調査を行った。
本研究では,一般的な事例分割・分類手法(Mask-RCNN)と,コンテキスト・アテンションに基づく機構を用いたセル核の分類・分類モデル(HoVer-Net)を拡張した。
我々の研究結果は、ドメイン知識をアルゴリズム設計に翻訳することは簡単な作業ではなく、これらのメカニズムを完全に活用する必要があることを示唆している。
論文 参考訳(メタデータ) (2024-07-26T11:30:22Z) - 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) - Prompt-based Grouping Transformer for Nucleus Detection and
Classification [70.55961378096116]
核の検出と分類は、疾患の診断に有効な情報を生み出す。
既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。
グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
論文 参考訳(メタデータ) (2023-10-22T04:50:48Z) - CoNIC Challenge: Pushing the Frontiers of Nuclear Detection,
Segmentation, Classification and Counting [46.45578907156356]
我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。
大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。
腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
論文 参考訳(メタデータ) (2023-03-11T01:21:13Z) - Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。
本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。
次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文 参考訳(メタデータ) (2023-02-22T14:52:06Z) - Separable-HoverNet and Instance-YOLO for Colon Nuclei Identification and
Counting [5.748087137894269]
本稿では,Separable-HoverNet と Instance-YOLOv5 を組み合わせて,大腸核と非平衡核をインデントする手法を提案する。
本手法は,mPQ+0.389を核上で,r20.599を細胞組成予備試験データセット上で達成する。
論文 参考訳(メタデータ) (2022-03-01T06:48:23Z) - 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) - 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) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
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。
論文 参考訳(メタデータ) (2021-09-30T17:29:44Z) - Instance-aware Self-supervised Learning for Nuclei Segmentation [47.07869311690419]
本稿では,核インスタンス分割タスクにおける畳み込みニューラルネットワーク(CNN)の能力を活用するための,新たな自己教師型学習フレームワークを提案する。
提案するアプローチには、2つのサブタスクが含まれており、ニューラルネットワークは、核の大きさと量の事前知識を暗黙的に活用することができる。
公開されているMoNuSegデータセットの実験結果から、提案した自己教師付き学習手法は、核インスタンスのセグメンテーション精度を著しく向上させることができることが示された。
論文 参考訳(メタデータ) (2020-07-22T03:37:14Z) - 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。