論文の概要: Using Multi-scale SwinTransformer-HTC with Data augmentation in CoNIC
Challenge
- arxiv url: http://arxiv.org/abs/2202.13588v2
- Date: Wed, 2 Mar 2022 14:56:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-03 11:47:32.012695
- Title: Using Multi-scale SwinTransformer-HTC with Data augmentation in CoNIC
Challenge
- Title(参考訳): CoNICチャレンジにおけるデータ拡張によるマルチスケールSwinTransformer-HTCの利用
- Authors: Chia-Yen Lee, Hsiang-Chin Chien, Ching-Ping Wang, Hong Yen, Kai-Wen
Zhen, Hong-Kun Lin
- Abstract要約: 本稿では,病理領域からのH&E画像の自動分割と分類タスクを提案する。
この課題に対して,HTC を用いたマルチスケール Swin トランスフォーマーを提案するとともに,既知の正規化手法を適用して拡張データを生成する。
- 参考スコア(独自算出の注目度): 1.2559585990041289
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Colorectal cancer is one of the most common cancers worldwide, so early
pathological examination is very important. However, it is time-consuming and
labor-intensive to identify the number and type of cells on H&E images in
clinical. Therefore, automatic segmentation and classification task and
counting the cellular composition of H&E images from pathological sections is
proposed by CoNIC Challenge 2022. We proposed a multi-scale Swin transformer
with HTC for this challenge, and also applied the known normalization methods
to generate more augmentation data. Finally, our strategy showed that the
multi-scale played a crucial role to identify different scale features and the
augmentation arose the recognition of model.
- Abstract(参考訳): 大腸癌は世界中で最も多いがんの1つであり、早期病理検査は非常に重要である。
しかし、臨床におけるH&E画像上の細胞数とタイプを特定するのに時間と労力がかかる。
そのため、CoNIC Challenge 2022により、病理領域からのH&E画像の自動分割と分類と細胞組成のカウントが提案される。
この課題のために,htc によるマルチスケールスウィントランスを提案し,さらに,既知の正規化法を適用して増補データを生成する。
最後に,マルチスケールが異なるスケールの特徴を識別する上で重要な役割を担い,モデル認識の促進がもたらされた。
関連論文リスト
- Finding Regions of Interest in Whole Slide Images Using Multiple Instance Learning [0.23301643766310368]
病理ラベリングは通常、タイルレベルではなくスライドレベルで行われるため、WSI(Whole Slide Images)はAIベース/AI経由の分析に対する特別な課題である。
本稿では,がんの表現型を正確に予測するために,弱教師付き多重インスタンス学習(MIL)手法を提案する。
論文 参考訳(メタデータ) (2024-04-01T19:33:41Z) - Multi-task learning for tissue segmentation and tumor detection in
colorectal cancer histology slides [0.9176056742068814]
U-Netに基づくマルチタスクモデルとチャネルワイドおよび画像統計に基づくカラー拡張を提案する。
組織分画は8655(Arm1), AUROCは8515(Arm2), AUROCは9725(Arm1), 0.9750(Arm2)であった。
論文 参考訳(メタデータ) (2023-04-06T14:26:41Z) - 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) - FetReg2021: A Challenge on Placental Vessel Segmentation and
Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。
このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。
コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。
7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文 参考訳(メタデータ) (2022-06-24T23:44:42Z) - 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) - MSHT: Multi-stage Hybrid Transformer for the ROSE Image Analysis of
Pancreatic Cancer [5.604939010661757]
膵癌は世界で最も悪性ながんの1つであり、非常に高い死亡率で急速に悪化する。
自動ワークフローを実現するために,ハイブリッドな高性能ディープラーニングモデルを提案する。
4240個のROSE画像のデータセットを収集し、この未探索領域における手法を評価する。
論文 参考訳(メタデータ) (2021-12-27T05:04:11Z) - Redesigning Fully Convolutional DenseUNets for Large Histopathology
Images [0.0]
病理組織学の問題を解決するために,完全畳み込みDenseUNetを提案する。
課題として公表された2つの公開病理データセットを用いて,我々のネットワークを評価した。
論文 参考訳(メタデータ) (2021-08-05T15:14:20Z) - Co-Heterogeneous and Adaptive Segmentation from Multi-Source and
Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion
Segmentation [48.504790189796836]
我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。
本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。
CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
論文 参考訳(メタデータ) (2020-05-27T06:58:39Z) - Synergistic Learning of Lung Lobe Segmentation and Hierarchical
Multi-Instance Classification for Automated Severity Assessment of COVID-19
in CT Images [61.862364277007934]
3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。
マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。
われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
論文 参考訳(メタデータ) (2020-05-08T03:16:15Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳(メタデータ) (2020-04-22T07:30:56Z)
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。