論文の概要: Nuclei Segmentation in Histopathology Images using Deep Learning with
Local and Global Views
- arxiv url: http://arxiv.org/abs/2112.03998v1
- Date: Tue, 7 Dec 2021 21:25:38 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-09 16:46:33.132258
- Title: Nuclei Segmentation in Histopathology Images using Deep Learning with
Local and Global Views
- Title(参考訳): 局所的および大域的視点を用いた深層学習による病理組織像の核セグメンテーション
- Authors: Mahdi Arab Loodaricheh, Nader Karimi, Shadrokh Samavi
- Abstract要約: 本稿では,原子核セグメンテーションの深層学習に基づくアプローチを提案する。
パッチ境界領域における誤予測の問題に対処する。
最終セグメンテーションマップの予測にはローカルパッチとグローバルパッチの両方を使用します。
- 参考スコア(独自算出の注目度): 12.549900112862769
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital pathology is one of the most significant developments in modern
medicine. Pathological examinations are the gold standard of medical protocols
and play a fundamental role in diagnosis. Recently, with the advent of digital
scanners, tissue histopathology slides can now be digitized and stored as
digital images. As a result, digitized histopathological tissues can be used in
computer-aided image analysis programs and machine learning techniques.
Detection and segmentation of nuclei are some of the essential steps in the
diagnosis of cancers. Recently, deep learning has been used for nuclei
segmentation. However, one of the problems in deep learning methods for nuclei
segmentation is the lack of information from out of the patches. This paper
proposes a deep learning-based approach for nuclei segmentation, which
addresses the problem of misprediction in patch border areas. We use both local
and global patches to predict the final segmentation map. Experimental results
on the Multi-organ histopathology dataset demonstrate that our method
outperforms the baseline nuclei segmentation and popular segmentation models.
- Abstract(参考訳): デジタル病理学は現代医学における最も重要な発展の1つである。
病理検査は医療プロトコルのゴールドスタンダードであり、診断において基本的な役割を果たす。
近年,デジタルスキャナが出現し,組織組織病理のスライドがデジタル化され,デジタル画像として保存できるようになった。
その結果、デジタル化された病理組織はコンピュータ支援画像解析プログラムや機械学習技術に使用できる。
核の検出とセグメンテーションは、がんの診断に不可欠なステップの一つである。
近年, 深層学習が核分割に用いられている。
しかしながら、核セグメンテーションのためのディープラーニングの方法における問題のひとつは、パッチ外からの情報の欠如である。
本稿では,パッチ境界領域における誤予測問題に対処する,深層学習に基づく核セグメンテーション手法を提案する。
最終セグメンテーションマップの予測にはローカルパッチとグローバルパッチの両方を使用します。
マルチオルガン病理組織学データセットにおける実験結果から,本手法がベースライン核セグメンテーションおよび一般的なセグメンテーションモデルよりも優れていることが示された。
関連論文リスト
- Exploring the Role of Convolutional Neural Networks (CNN) in Dental
Radiography Segmentation: A Comprehensive Systematic Literature Review [1.342834401139078]
この研究は、画像解析にCNN(Convolutional Neural Networks)を用いることで、歯科疾患の検出に有効なツールであることを示す。
CNNは歯のセグメンテーションと分類に利用し、全体として最高のパフォーマンスを示した。
論文 参考訳(メタデータ) (2024-01-17T13:00:57Z) - 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) - 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) - Deep Learning for Computational Cytology: A Survey [12.08083533402352]
完全教師付き,弱教師付き,教師なし,伝達学習など,さまざまなディープラーニング手法を導入する。
そこで我々は,公開データセット,評価指標,分類,検出,セグメンテーション,その他の関連タスクを含む多種多様な細胞画像解析アプリケーションを体系的に要約した。
論文 参考訳(メタデータ) (2022-02-10T16:22:10Z) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳(メタデータ) (2021-02-07T19:12:32Z) - Self-Supervised Nuclei Segmentation in Histopathological Images Using
Attention [6.3039500405009665]
スライド病理組織像全体に対する自己監督的核分割法を提案する。
本手法は, 原子核の大きさとテクスチャが, パッチを抽出した倍率を決定できるという仮定に基づいている。
実験の結果,通常の後処理では,他の非教師なし核分割法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-07-16T14:49:20Z) - Multi-Site Infant Brain Segmentation Algorithms: The iSeg-2019 Challenge [53.48285637256203]
iSeg 2019 Challengeは、さまざまなプロトコル/スキャナーを持つ複数のサイトから6ヶ月の乳児のセットを提供する。
執筆時点では、iSeg 2019には30の自動セグメンテーションメソッドが参加している。
私たちは、パイプライン/実装の詳細を説明し、実験結果を示し、脳全体、関心領域、ジャラルランドマークカーブの観点からパフォーマンスを評価することで、上位8チームについてレビューします。
論文 参考訳(メタデータ) (2020-07-04T13:39:48Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - Towards a Complete Pipeline for Segmenting Nuclei in Feulgen-Stained
Images [52.946144307741974]
頸部がんは世界で2番目に多いがんである。
本稿では,畳み込みニューラルネットワークを用いたフェールゲン安定画像中の核分割のための完全なパイプラインを提案する。
We achieved a overall IoU 0.78, showed the availableability of the approach of nuclear segmentation on Feulgen-stained images。
論文 参考訳(メタデータ) (2020-02-19T18:14:57Z)
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。