論文の概要: Gram Barcodes for Histopathology Tissue Texture Retrieval
- arxiv url: http://arxiv.org/abs/2111.15519v1
- Date: Sun, 28 Nov 2021 17:59:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-02 08:49:13.519342
- Title: Gram Barcodes for Histopathology Tissue Texture Retrieval
- Title（参考訳）: 組織組織組織検索のためのグラムバーコード
- Authors: Shalev Lifshitz, Abtin Riasatian, H.R. Tizhoosh
- Abstract要約: 病理組織学的画像検索 (HIR) システムは生検画像のデータベースを検索し、与えられたクエリ画像と類似した症例を見つける。
本稿では,HIRシステムにおける画像特徴としてグラムバーコードの応用を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recent advances in digital pathology have led to the need for Histopathology
Image Retrieval (HIR) systems that search through databases of biopsy images to
find similar cases to a given query image. These HIR systems allow pathologists
to effortlessly and efficiently access thousands of previously diagnosed cases
in order to exploit the knowledge in the corresponding pathology reports. Since
HIR systems may have to deal with millions of gigapixel images, the extraction
of compact and expressive image features must be available to allow for
efficient and accurate retrieval. In this paper, we propose the application of
Gram barcodes as image features for HIR systems. Unlike most feature generation
schemes, Gram barcodes are based on high-order statistics that describe tissue
texture by summarizing the correlations between different feature maps in
layers of convolutional neural networks. We run HIR experiments on three public
datasets using a pre-trained VGG19 network for Gram barcode generation and
showcase highly competitive results.
- Abstract（参考訳）: 近年のデジタル病理学の進歩により、生検画像のデータベースを検索し、与えられた問合せ画像と類似した症例を見つけるための組織病理画像検索(hir)システムが必要である。
これらのHIRシステムにより、病理学者は、診断済みの数千件のケースにアクセスし、対応する病理報告の知識を活用することができる。
HIRシステムは数百万ギガピクセルの画像を扱う必要があるため、高速かつ正確な画像検索を可能にするため、コンパクトで表現豊かな画像特徴の抽出が可能である必要がある。
本稿では,HIRシステムの画像特徴としてグラムバーコードの応用を提案する。
ほとんどの特徴生成方式とは異なり、グラムバーコードは畳み込みニューラルネットワークの層における異なる特徴マップ間の相関を要約することで組織テクスチャを記述する高次統計に基づいている。
グラマーバーコード生成のためのトレーニング済みVGG19ネットワークを用いて3つの公開データセット上でHIR実験を行い、高い競争力を示す。
関連論文リスト
- Efficient Medical Image Retrieval Using DenseNet and FAISS for BIRADS Classification [0.0]
本稿では,DenseNetとFAISSを用いた医用画像検索手法を提案する。
DenseNetは複雑な医療画像の特徴抽出に適している。
FAISSは大規模データセットにおける高次元データの効率的な処理を可能にする。
論文 参考訳（メタデータ） (2024-11-03T08:14:31Z) - PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。
提案手法は画像とテキストデータを融合して生成プロセスを強化する。
我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文 参考訳（メタデータ） (2023-09-01T22:08:32Z) - Multimorbidity Content-Based Medical Image Retrieval Using Proxies [37.47987844057842]
本稿では、分類とコンテンツに基づく画像検索の両方に使用できる新しい多ラベルメトリック学習法を提案する。
本モデルは,疾患の存在を予測し,これらの予測の証拠を提供することによって診断を支援することができる。
分類とコンテンツに基づく画像検索へのアプローチの有効性を2つのマルチモービディティー・ラジオロジー・データセットで実証した。
論文 参考訳（メタデータ） (2022-11-22T11:23:53Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Voice-assisted Image Labelling for Endoscopic Ultrasound Classification
using Neural Networks [48.732863591145964]
本稿では,臨床医が提示した生音声からのEUS画像にラベルを付けるマルチモーダル畳み込みニューラルネットワークアーキテクチャを提案する。
その結果,5つのラベルを持つデータセットにおいて,画像レベルでの予測精度は76%であった。
論文 参考訳（メタデータ） (2021-10-12T21:22:24Z) - Fast and Scalable Image Search For Histology [4.622876656735859]
同様の病理画像検索は、スライド画像全体のギガピクセルの大規模な履歴リポジトリをマージする機会を提供する。
Fast Image Search for Histopathology (FISH)は、画像データベースのサイズに依存しない、無限にスケーラブルな検索速度を実現する。
FISHは自己教師型ディープラーニングを用いてWSIとVan Emde Boasツリーから有意義な表現をエンコードして高速検索を行う。
論文 参考訳（メタデータ） (2021-07-28T18:15:03Z) - A Petri Dish for Histopathology Image Analysis [25.424907516487327]
ミニマリスト組織像解析データセット(MHIST)を導入する。
MHISTは3,152枚の大腸ポリープの固定サイズ画像のバイナリ分類データセットである。
MHISTは400MB未満のディスク空間を占めており、ResNet-18ベースラインは6分でMHISTに収束するように訓練することができる。
論文 参考訳（メタデータ） (2021-01-29T02:01:45Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z)
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。