Fugu-MT 論文翻訳(概要): Separable-HoverNet and Instance-YOLO for Colon Nuclei Identification and Counting

論文の概要: Separable-HoverNet and Instance-YOLO for Colon Nuclei Identification and Counting

arxiv url: http://arxiv.org/abs/2203.00262v1
Date: Tue, 1 Mar 2022 06:48:23 GMT
ステータス: 処理完了
システム内更新日: 2022-03-02 14:46:54.493031
Title: Separable-HoverNet and Instance-YOLO for Colon Nuclei Identification and Counting
Title（参考訳）: コロニー核同定とカウントのための分離型ホバーネットとインスタンス型YOLO
Authors: Chunhui Lin and Liukun Zhang and Lijian Mao and Min Wu and Dong Hu
Abstract要約: 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。
参考スコア（独自算出の注目度）: 5.748087137894269
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Nuclear segmentation, classification and quantification within Haematoxylin & Eosin stained histology images enables the extraction of interpretable cell-based features that can be used in downstream explainable models in computational pathology (CPath). However, automatic recognition of different nuclei is faced with a major challenge in that there are several different types of nuclei, some of them exhibiting large intraclass variability. In this work, we propose an approach that combine Separable-HoverNet and Instance-YOLOv5 to indentify colon nuclei small and unbalanced. Our approach can achieve mPQ+ 0.389 on the Segmentation and Classification-Preliminary Test Dataset and r2 0.599 on the Cellular Composition-Preliminary Test Dataset on ISBI 2022 CoNIC Challenge.
Abstract（参考訳）: Haematoxylin & Eosin染色組織像中の核セグメンテーション、分類、定量化は、計算病理学(CPath)において下流で説明可能なモデルで使用できる解釈可能な細胞ベースの特徴の抽出を可能にする。しかし、異なる原子核の自動認識は、いくつかの異なる種類の原子核が存在するという点で大きな課題に直面している。本稿では,separable-hovernetとinstance-yolov5を組み合わせることで,結腸核を小さく非平衡化する手法を提案する。提案手法は,isbi 2022 conic challengeのセル構成-予備テストデータセットにおいて,セグメンテーションと分類-予備テストデータセットでmpq+0.389,r2 0.599を実現できる。

関連論文リスト

A Survey on Cell Nuclei Instance Segmentation and Classification: Leveraging Context and Attention [2.574831636177296]
我々は,H&E-stained microscopy imaging を用いて,細胞核のインスタンスのセグメンテーションと分類のコンテキストとアテンションに関する調査を行った。本研究では,一般的な事例分割・分類手法(Mask-RCNN)と,コンテキスト・アテンションに基づく機構を用いたセル核の分類・分類モデル(HoVer-Net)を拡張した。我々の研究結果は、ドメイン知識をアルゴリズム設計に翻訳することは簡単な作業ではなく、これらのメカニズムを完全に活用する必要があることを示唆している。
論文参考訳（メタデータ） (2024-07-26T11:30:22Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文参考訳（メタデータ） (2023-11-28T08:34:58Z)
Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
核の検出と分類は、疾患の診断に有効な情報を生み出す。既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
論文参考訳（メタデータ） (2023-10-22T04:50:48Z)
Enhancing Nucleus Segmentation with HARU-Net: A Hybrid Attention Based Residual U-Blocks Network [9.718765096478371]
核分割の現在の手法は、核形態学や輪郭に基づくアプローチに依存している。本稿では,ハイブリッドアテンションに基づく残差Uブロックを用いたデュアルブランチネットワークを提案する。ネットワーク内において,ネットワークからコンテキスト情報を効果的に抽出し,マージするコンテキスト融合ブロック(CF-block)を提案する。
論文参考訳（メタデータ） (2023-08-07T08:03:20Z)
Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文参考訳（メタデータ） (2022-10-19T15:15:32Z)
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2022-07-04T07:05:06Z)
Nuclear Segmentation and Classification Model with Imbalanced Classes for CoNiC Challenge [6.5218000325588505]
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。
論文参考訳（メタデータ） (2022-03-01T01:42:33Z)
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)
PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
論文参考訳（メタデータ） (2021-11-01T08:29:40Z)
Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文参考訳（メタデータ） (2021-09-30T17:29:44Z)

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。