Fugu-MT 論文翻訳(概要): What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review

論文の概要: What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review

arxiv url: http://arxiv.org/abs/2201.08550v1
Date: Fri, 21 Jan 2022 05:54:14 GMT
ステータス: 処理完了
システム内更新日: 2022-01-24 19:30:55.790268
Title: What Can Machine Vision Do for Lymphatic Histopathology Image Analysis: A Comprehensive Review
Title（参考訳）: リンパ組織像解析にマシンビジョンは何ができるか:総括的レビュー
Authors: Xiaoqi Li, Haoyuan Chen, Chen Li, Md Mamunur Rahaman, Xintong Li, Jian Wu, Xiaoyan Li, Hongzan Sun, Marcin Grzegorzek
Abstract要約: 過去10年間で、機械ビジョン(MV)の計算能力は継続的に改善されてきた。深層学習アルゴリズムは、病気の検出と診断におけるMVの精度をさらに向上させた。
参考スコア（独自算出の注目度）: 12.611485876221959
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In the past ten years, the computing power of machine vision (MV) has been continuously improved, and image analysis algorithms have developed rapidly. At the same time, histopathological slices can be stored as digital images. Therefore, MV algorithms can provide doctors with diagnostic references. In particular, the continuous improvement of deep learning algorithms has further improved the accuracy of MV in disease detection and diagnosis. This paper reviews the applications of image processing technology based on MV in lymphoma histopathological images in recent years, including segmentation, classification and detection. Finally, the current methods are analyzed, some more potential methods are proposed, and further prospects are made.
Abstract（参考訳）: 過去10年間で、機械ビジョン(MV)の計算能力は継続的に改善され、画像解析アルゴリズムは急速に発展してきた。同時に、病理学的スライスをデジタル画像として保存することができる。したがって、MVアルゴリズムは医師に診断基準を提供することができる。特に、深層学習アルゴリズムの継続的な改良により、病気の検出と診断におけるMVの精度がさらに向上した。本稿では,近年のリンパ腫の病理組織像におけるmvに基づく画像処理技術の応用について概説する。最後に,現在の手法を分析し,さらに可能性の高い手法を提案し,今後の展望を述べる。

関連論文リスト

Deep Learning Applications in Medical Image Analysis: Advancements, Challenges, and Future Directions [0.0]
人工知能のサブセットであるディープラーニングの最近の進歩は、医療画像の分析に大きな革命をもたらした。 CNNは多次元医用画像から自律的に学習する能力に顕著な能力を示した。これらのモデルは、病理学、放射線学、眼科、心臓学など、様々な医学分野に利用されてきた。
論文参考訳（メタデータ） (2024-10-18T02:57:14Z)
Ophthalmic Biomarker Detection with Parallel Prediction of Transformer and Convolutional Architecture [1.6893691730575022]
本稿では,CNNとVision Transformerのアンサンブルを用いた眼科バイオマーカー検出手法を提案する。本手法はOCT画像から6つのバイオマーカーを検出するためにOLIVESデータセット上に実装され,データセット上でのマクロ平均F1スコアの大幅な改善を示す。
論文参考訳（メタデータ） (2024-09-26T12:33:34Z)
MVC: A Multi-Task Vision Transformer Network for COVID-19 Diagnosis from Chest X-ray Images [10.616065108433798]
本稿では,胸部X線画像を同時に分類し,入力データから影響領域を識別するマルチタスク・ビジョン・トランスフォーマ(MVC)を提案する。提案手法はVision Transformer上に構築されているが,マルチタスク設定で学習能力を拡張している。
論文参考訳（メタデータ） (2023-09-30T15:52:18Z)
Invariant Scattering Transform for Medical Imaging [0.0]
不変散乱変換は、コンピュータビジョンのための深層学習と信号処理を融合させる新しい研究領域を導入する。ディープラーニングアルゴリズムは、医療分野のさまざまな問題を解決することができる。 2020年のパンデミックの間、機械学習とディープラーニングは新型コロナウイルスを検出する上で重要な役割を担ってきた。
論文参考訳（メタデータ） (2023-07-07T19:40:42Z)
Recent advances and clinical applications of deep learning in medical image analysis [7.132678647070632]
我々は最近200以上の論文をレビュー・要約し、様々な医用画像解析タスクにおける深層学習手法の適用の概要を概観した。特に,医用画像における最先端の非教師あり半教師あり深層学習の進歩と貢献を強調した。
論文参考訳（メタデータ） (2021-05-27T18:05:12Z)
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)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文参考訳（メタデータ） (2020-10-09T14:39:27Z)
Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
論文参考訳（メタデータ） (2020-10-07T08:36:44Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Y-Net for Chest X-Ray Preprocessing: Simultaneous Classification of Geometry and Segmentation of Annotations [70.0118756144807]
この研究は、機械学習アルゴリズムに胸部X線入力のための一般的な前処理ステップを導入する。 VGG11エンコーダをベースとした改良Y-Netアーキテクチャを用いて,ラジオグラフィの幾何学的配向とセグメンテーションを同時に学習する。対照画像の27.0%,34.9%に対し,95.8%,96.2%のアノテーションマスクが認められた。
論文参考訳（メタデータ） (2020-05-08T02:16:17Z)

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。