Fugu-MT 論文翻訳(概要): Nuclear Segmentation and Classification Model with Imbalanced Classes for CoNiC Challenge

論文の概要: Nuclear Segmentation and Classification Model with Imbalanced Classes for CoNiC Challenge

arxiv url: http://arxiv.org/abs/2203.00171v1
Date: Tue, 1 Mar 2022 01:42:33 GMT
ステータス: 処理完了
システム内更新日: 2022-03-03 00:08:55.440636
Title: Nuclear Segmentation and Classification Model with Imbalanced Classes for CoNiC Challenge
Title（参考訳）: CoNiCチャレンジのための不均衡クラスによる核セグメンテーションと分類モデル
Authors: Jijun Cheng, Xipeng Pan, Feihu Hou, Bingchao Zhao, Jiatai Lin, Zhenbing Liu, Zaiyi Liu, Chu Han
Abstract要約: 核セグメンテーションと分類は、計算病理学にとって重要なステップである。ワーウィック大学のTIA研究所は、リザードデータセットに基づく大腸癌におけるH&E染色組織像のための核分割分類チャレンジ(CoNiC)を組織した。この課題では、コンピュータアルゴリズムは上皮、リンパ球、血漿、好酸球、好中球、結合組織を含む6種類の核を分離し、認識することができる。
参考スコア（独自算出の注目度）: 6.5218000325588505
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Nuclear segmentation and classification is an essential step for computational pathology. TIA lab from Warwick University organized a nuclear segmentation and classification challenge (CoNiC) for H&E stained histopathology images in colorectal cancer based on the Lizard dataset. In this challenge, computer algorithms should be able to segment and recognize six types of nuclei, including Epithelial, Lymphocyte, Plasma, Eosinophil, Neutrophil, Connective tissue. This challenge introduces two highly correlated tasks, nuclei segmentation and classification task and prediction of cellular composition task. There are a few obstacles we have to address in this challenge, 1) imbalanced annotations with few training samples on minority classes, 2) color variation of the images from multiple centers or scanners, 3) limited training samples, 4) similar morphological appearance among classes. To deal with these challenges, we proposed a systematic pipeline for nuclear segmentation and classification. First, we built a GAN-based model to automatically generate pseudo images for data augmentation. Then we trained a self-supervised stain normalization model to solve the color variation problem. Next we constructed a baseline model HoVer-Net with cost-sensitive loss to encourage the model pay more attention on the minority classes. According to the results of the leaderboard, our proposed pipeline achieves 0.40665 mPQ+ (Rank 33rd) and 0.62199 r2 (Rank 4th) in the preliminary test phase.
Abstract（参考訳）: 核分裂と分類は、計算病理学の重要なステップである。ワーウィック大学のTIA研究所は、リザードデータセットに基づく大腸癌におけるH&E染色組織像のための核分割分類チャレンジ(CoNiC)を組織した。この課題では、コンピュータアルゴリズムは上皮、リンパ球、血漿、好酸球、好中球、結合組織を含む6種類の核を分離し、認識することができる。この課題は、核のセグメンテーションと分類タスクと細胞構成タスクの予測という2つの非常に相関したタスクを導入する。この課題に対処しなければならない障害がいくつかあります。 1)マイノリティクラスにおける訓練サンプルの少ない不均衡アノテーション 2)複数のセンタやスキャナからの画像の色変化。 3)訓練サンプルの限定。 4) 類型間の類似形態の出現。これらの課題に対処するため,我々は核分裂と分類のための系統的パイプラインを提案した。まず,データ拡張のための擬似画像を自動生成するGANモデルを構築した。次に,色変化問題を解決するために,自己教師付き染色正規化モデルを訓練した。次に、モデルがマイノリティクラスにより多くの注意を払うように、コスト感受性の損失を伴うベースラインモデルHoVer-Netを構築した。リーダボードの結果によると,提案パイプラインは予備試験段階で0.40665 mpq+ (第33位) と0.62199 r2 (第4位) を達成した。

関連論文リスト

Divide and Conquer: Grounding a Bleeding Areas in Gastrointestinal Image with Two-Stage Model [7.1083241462091165]
本研究では,従来のマルチタスク学習モデルが生み出す課題に対処するために,分類と接地を分離する2段階の枠組みを提案する。実験結果から,分類精度とセグメンテーション精度が有意に向上した。
論文参考訳（メタデータ） (2024-12-21T18:18:12Z)
NucleiMix: Realistic Data Augmentation for Nuclei Instance Segmentation [2.6954348706500766]
NucleiMixは、データセット内のレアタイプの核の数を増やすことで、核種の分布のバランスをとるように設計されている。第1段階では、希少型核の周囲に類似した候補位置を特定し、希少型核を候補部位に挿入する。第2フェーズでは、事前訓練された拡散モデルを用いて、レアタイプの核を新しい環境にシームレスに統合するプログレッシブな塗布戦略を採用している。
論文参考訳（メタデータ） (2024-10-22T04:03:36Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Robust and Interpretable Medical Image Classifiers via Concept Bottleneck Models [49.95603725998561]
本稿では,自然言語の概念を用いた堅牢で解釈可能な医用画像分類器を構築するための新しいパラダイムを提案する。具体的には、まず臨床概念をGPT-4から検索し、次に視覚言語モデルを用いて潜在画像の特徴を明示的な概念に変換する。
論文参考訳（メタデータ） (2023-10-04T21:57:09Z)
Separable-HoverNet and Instance-YOLO for Colon Nuclei Identification and Counting [5.748087137894269]
本稿では,Separable-HoverNet と Instance-YOLOv5 を組み合わせて,大腸核と非平衡核をインデントする手法を提案する。本手法は,mPQ+0.389を核上で,r20.599を細胞組成予備試験データセット上で達成する。
論文参考訳（メタデータ） (2022-03-01T06:48:23Z)
CoNIC: Colon Nuclei Identification and Counting Challenge 2022 [5.23834975053771]
大腸核の同定とカウント(CoNIC)の課題を整理する。研究者は、核のセグメンテーション、分類、カウントを行うアルゴリズムを開発することを奨励する。この課題の一環として、各入力アルゴリズムの感度を特定の入力変動に対してテストする。
論文参考訳（メタデータ） (2021-11-29T12:06:47Z)
Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文参考訳（メタデータ） (2021-09-08T07:56:51Z)
C-Net: A Reliable Convolutional Neural Network for Biomedical Image Classification [6.85316573653194]
生体医用画像の分類を行うために,C-Netと呼ばれる複数のネットワークの結合からなる新しい畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 C-Netモデルは、両方のデータセットの個々のメトリクスにおける他のモデルよりも優れており、誤分類はゼロである。
論文参考訳（メタデータ） (2020-10-30T20:03:20Z)
Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文参考訳（メタデータ） (2020-09-02T02:50:30Z)
Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
論文参考訳（メタデータ） (2020-07-21T14:37:00Z)
Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。