論文の概要: Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image
Segmentation using Partially Labeled Data
- arxiv url: http://arxiv.org/abs/2112.12665v1
- Date: Thu, 23 Dec 2021 16:02:03 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-24 16:28:49.701491
- Title: Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image
Segmentation using Partially Labeled Data
- Title（参考訳）: omni-seg : 部分ラベルデータを用いた多発腎病理画像分割のための単一ダイナミックネットワーク
- Authors: Ruining Deng, Quan Liu, Can Cui, Zuhayr Asad, Haichun Yang, Yuankai
Huo
- Abstract要約: 非癌病理学では、学習アルゴリズムにより、より包括的な組織型を同時に調べることができる。
それまでは、ドメイン固有の知識に合わせて複数のセグメンテーションネットワークをトレーニングする必要があった。
パッチワイドの病理画像15万点から学習することにより,提案したOmni-Segネットワークはセグメンテーション精度が向上し,資源消費量も低減した。
- 参考スコア（独自算出の注目度）: 6.528287373027917
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Computer-assisted quantitative analysis on Giga-pixel pathology images has
provided a new avenue in precision medicine. The innovations have been largely
focused on cancer pathology (i.e., tumor segmentation and characterization). In
non-cancer pathology, the learning algorithms can be asked to examine more
comprehensive tissue types simultaneously, as a multi-label setting. The prior
arts typically needed to train multiple segmentation networks in order to match
the domain-specific knowledge for heterogeneous tissue types (e.g., glomerular
tuft, glomerular unit, proximal tubular, distal tubular, peritubular
capillaries, and arteries). In this paper, we propose a dynamic single
segmentation network (Omni-Seg) that learns to segment multiple tissue types
using partially labeled images (i.e., only one tissue type is labeled for each
training image) for renal pathology. By learning from ~150,000 patch-wise
pathological images from six tissue types, the proposed Omni-Seg network
achieved superior segmentation accuracy and less resource consumption when
compared to the previous the multiple-network and multi-head design. In the
testing stage, the proposed method obtains "completely labeled" tissue
segmentation results using only "partially labeled" training images. The source
code is available at https://github.com/ddrrnn123/Omni-Seg.
- Abstract（参考訳）: ギガピクセル画像のコンピュータ支援による定量的解析により,新しい精度医療の道が開かれた。
革新は主に癌病理(腫瘍の分節化と特徴化)に焦点を当てている。
非癌病理学では、学習アルゴリズムが複数のラベルの設定として、より包括的な組織タイプを同時に調べるよう求めることができる。
先行技術は通常、異種組織(例えば、糸球体タフト、糸球体ユニット、近位管状、遠位管状、細管状毛細血管、動脈)のドメイン固有の知識にマッチするために複数のセグメンテーションネットワークを訓練する必要があった。
本稿では, 腎病理学において, 部分的にラベル付けされた画像(訓練画像毎にラベル付けされる組織は1種類のみである)を用いて, 複数の組織タイプを分割することを学ぶ動的単一セグメント化ネットワーク (omni-seg) を提案する。
6つの組織タイプから約150,000のパッチワイズ病理画像から学習することにより,提案手法は,従来のマルチネットワークおよびマルチヘッド設計と比較して,セグメント化精度とリソース消費の低減を達成した。
試験段階において,本手法は「部分ラベル付き」トレーニング画像のみを用いて「完全ラベル付き」組織セグメント化結果を得る。
ソースコードはhttps://github.com/ddrrnn123/Omni-Segで入手できる。
関連論文リスト
- Multi-scale Multi-site Renal Microvascular Structures Segmentation for
Whole Slide Imaging in Renal Pathology [4.743463035587953]
Omni-Segは,マルチサイト,マルチスケールのトレーニングデータを活用する新しい動的ネットワーク手法である。
我々は、HuBMAPとNEPTUNEという2つのデータセットの画像を用いて、特異なディープネットワークを訓練する。
提案手法は,腎微小血管構造の定量的解析のための強力な計算ツールを腎病理医に提供する。
論文 参考訳（メタデータ） (2023-08-10T16:26:03Z) - Unsupervised Segmentation of Fetal Brain MRI using Deep Learning
Cascaded Registration [2.494736313545503]
従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。
ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。
提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
論文 参考訳（メタデータ） (2023-07-07T13:17:12Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - Omni-Seg+: A Scale-aware Dynamic Network for Pathological Image
Segmentation [13.182646724406291]
糸球体の断面領域は、管周囲の毛細血管の64倍の大きさである。
マルチオブジェクト(6つの組織型)とマルチスケール(5Xから40Xスケール)の画像セグメンテーションを実現する,スケール対応の動的ニューラルネットワークであるOmni-Seg+ネットワークを提案する。
論文 参考訳（メタデータ） (2022-06-27T21:09:55Z) - 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) - Automatic Semantic Segmentation of the Lumbar Spine. Clinical
Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。
提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
論文 参考訳（メタデータ） (2021-11-16T17:33:05Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - 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) - W-Net: Dense Semantic Segmentation of Subcutaneous Tissue in Ultrasound
Images by Expanding U-Net to Incorporate Ultrasound RF Waveform Data [2.9023633922848586]
本稿では,各Aスキャンから生の超音波波形を利用する新しい畳み込みニューラルネットワーク(CNN)フレームワークであるW-Netを提案する。
背景クラスを使わずに、画像中のすべてのピクセルをラベル付けしようとします。
筋ファシスタとFat fascia/stromaがラベル付けが難しい組織である理由について分析を行った。
論文 参考訳（メタデータ） (2020-08-27T23:53:20Z)
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。