Fugu-MT 論文翻訳(概要): Cellular Segmentation and Composition in Routine Histology Images using Deep Learning

論文の概要: Cellular Segmentation and Composition in Routine Histology Images using Deep Learning

arxiv url: http://arxiv.org/abs/2203.02510v1
Date: Fri, 4 Mar 2022 15:03:53 GMT
ステータス: 処理完了
システム内更新日: 2022-03-10 11:05:24.027068
Title: Cellular Segmentation and Composition in Routine Histology Images using Deep Learning
Title（参考訳）: 深層学習を用いたルーチン組織像の細胞分画と構成
Authors: Muhammad Dawood, Raja Muhammad Saad Bashir, Srijay Deshpande, Manahil Raza, Adam Shephard
Abstract要約: 我々は,HoVer-NetとALBRTを用いて細胞組成を予測するためのパイプラインを開発した。予備試験セットでのALBRTを用いた細胞組成予測では,リンパ球0.84点,上皮細胞0.70点,血漿0.70点,好酸球0.060点からなる総合的なR2$スコア0.53点を得た。
参考スコア（独自算出の注目度）: 0.4893345190925177
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Identification and quantification of nuclei in colorectal cancer haematoxylin \& eosin (H\&E) stained histology images is crucial to prognosis and patient management. In computational pathology these tasks are referred to as nuclear segmentation, classification and composition and are used to extract meaningful interpretable cytological and architectural features for downstream analysis. The CoNIC challenge poses the task of automated nuclei segmentation, classification and composition into six different types of nuclei from the largest publicly known nuclei dataset - Lizard. In this regard, we have developed pipelines for the prediction of nuclei segmentation using HoVer-Net and ALBRT for cellular composition. On testing on the preliminary test set, HoVer-Net achieved a PQ of 0.58, a PQ+ of 0.58 and finally a mPQ+ of 0.35. For the prediction of cellular composition with ALBRT on the preliminary test set, we achieved an overall $R^2$ score of 0.53, consisting of 0.84 for lymphocytes, 0.70 for epithelial cells, 0.70 for plasma and .060 for eosinophils.
Abstract（参考訳）: 大腸癌におけるHaematoxylin \&eosin(H\&E)染色組織像の同定と定量化は予後と患者管理に不可欠である。計算病理学ではこれらのタスクは核分裂、分類、構成と呼ばれ、下流解析に有意義な解釈可能な細胞学的およびアーキテクチャ的特徴を抽出するために用いられる。 CoNICの課題は、既知の最大の核データセットであるLizardから6つの異なる種類の核に、自動的な核分割、分類、合成のタスクを担っている。そこで我々は,HoVer-NetとALBRTを用いて細胞組成の予測を行うパイプラインを開発した。予備テストセットのテストでは、HoVer-NetはPQ0.58、PQ+0.58、mPQ+0.35を達成した。予備試験セットにおけるalbrtを用いた細胞組成の予測のために,リンパ球0.84,上皮細胞0.70,血漿0.70,好酸球0.060の合計$r^2$スコアを0.53とした。

関連論文リスト

Thyroidiomics: An Automated Pipeline for Segmentation and Classification of Thyroid Pathologies from Scintigraphy Images [0.23960026858846614]
本研究の目的は,甲状腺シンチグラフィー画像を用いた甲状腺疾患分類を向上する自動パイプラインを開発することである。 2,643人の甲状腺シンチグラフィー画像を収集し,DG(diffuse goiter),MNG(multinodal goiter),甲状腺炎(TH)に分類した。パイプラインは、さまざまなクラスにわたるいくつかの分類指標で、医師のセグメンテーションに匹敵するパフォーマンスを示した。
論文参考訳（メタデータ） (2024-07-14T21:29:28Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Immunohistochemistry guided segmentation of benign epithelial cells, in situ lesions, and invasive epithelial cells in breast cancer slides [0.3251634769699391]
乳がん領域における上皮細胞のセグメンテーションのためのAIモデルを開発した。浸潤上皮細胞,良性上皮細胞,in situ病変に対するDiceスコア0.70,0.79,0.75の定量評価を行った。
論文参考訳（メタデータ） (2023-11-22T09:25:08Z)
Tissue Classification During Needle Insertion Using Self-Supervised Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文参考訳（メタデータ） (2023-04-26T14:11:04Z)
Attention-based Saliency Maps Improve Interpretability of Pneumothorax Classification [52.77024349608834]
視覚変換器(ViT)の胸部X線撮影(CXR)分類性能と注意ベース唾液の解釈可能性について検討する。 ViTは、CheXpert、Chest X-Ray 14、MIMIC CXR、VinBigDataの4つの公開データセットを用いて、肺疾患分類のために微調整された。 ViTsは最先端のCNNと比べてCXR分類AUCに匹敵するものであった。
論文参考訳（メタデータ） (2023-03-03T12:05:41Z)
Learning to diagnose cirrhosis from radiological and histological labels with joint self and weakly-supervised pretraining strategies [62.840338941861134]
そこで本稿では, 放射線学者が注釈付けした大規模データセットからの転写学習を活用して, 小さい付加データセットで利用できる組織学的スコアを予測することを提案する。我々は,肝硬変の予測を改善するために,異なる事前訓練法,すなわち弱い指導法と自己指導法を比較した。この方法は、METAVIRスコアのベースライン分類を上回り、AUCが0.84、バランスの取れた精度が0.75に達する。
論文参考訳（メタデータ） (2023-02-16T17:06:23Z)
Joint nnU-Net and Radiomics Approaches for Segmentation and Prognosis of Head and Neck Cancers with PET/CT images [6.361835964390572]
3D nnU-Netアーキテクチャは原発性腫瘍とリンパ節の自動分節に同期的に採用された。従来の放射能の特徴のみを含む3つの予後モデルが構築された。セグメンテーションと予後タスクの評価指標としてDice scoreとC-indexが用いられた。
論文参考訳（メタデータ） (2022-11-18T10:31:26Z)
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)
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)
Osteoporosis Prescreening using Panoramic Radiographs through a Deep Convolutional Neural Network with Attention Mechanism [65.70943212672023]
注意モジュールを持つディープ畳み込みニューラルネットワーク(CNN)はパノラマX線写真上で骨粗しょう症を検出することができる。 49歳から60歳までの70種類のパノラマX線写真(PR)のデータセットを用いて検討した。
論文参考訳（メタデータ） (2021-10-19T00:03:57Z)
Dataset on Bi- and Multi-Nucleated Tumor Cells in Canine Cutaneous Mast Cell Tumors [4.572625467244193]
2つの核(binucleated cell, BiNC)またはそれ以上の核(multinucleated cell, MuNC)を有する腫瘍細胞は、細胞遺伝物質の増加を示す。 BiNCの19,983点, MuNCの1,416点, ccMCTの32個の組織学的全スライド画像を用いた最初のオープンソースデータセットを作成した。
論文参考訳（メタデータ） (2021-01-05T10:35:41Z)

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。