論文の概要: Keep It Accurate and Robust: An Enhanced Nuclei Analysis Framework
- arxiv url: http://arxiv.org/abs/2203.03415v4
- Date: Fri, 17 Jan 2025 01:13:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-01-20 13:57:27.248745
- Title: Keep It Accurate and Robust: An Enhanced Nuclei Analysis Framework
- Title（参考訳）: 正確かつロバストに保つ - 強化された Nuclei 分析フレームワーク
- Authors: Wenhua Zhang, Sen Yang, Meiwei Luo, Chuan He, Yuchen Li, Jun Zhang, Xiyue Wang, Fang Wang,
- Abstract要約: 限られたデータセットの変動から生じる問題に対処する新しい枠組みを提案する。
我々は、核組成予測のための第1位を含む、公開ベンチマークで最先端の結果を得る。
本研究は、原子核解析の最先端化に向けた改良されたフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 18.07080933081179
- License:
- Abstract: Accurate segmentation and classification of nuclei in histology images is critical but challenging due to nuclei heterogeneity, staining variations, and tissue complexity. Existing methods often struggle with limited dataset variability, with patches extracted from similar whole slide images (WSI), making models prone to falling into local optima. Here we propose a new framework to address this limitation and enable robust nuclear analysis. Our method leverages dual-level ensemble modeling to overcome issues stemming from limited dataset variation. Intra-ensembling applies diverse transformations to individual samples, while inter-ensembling combines networks of different scales. We also introduce enhancements to the HoVer-Net architecture, including updated encoders, nested dense decoding and model regularization strategy. We achieve state-of-the-art results on public benchmarks, including 1st place for nuclear composition prediction and 3rd place for segmentation/classification in the 2022 Colon Nuclei Identification and Counting (CoNIC) Challenge. This success validates our approach for accurate histological nuclei analysis. Extensive experiments and ablation studies provide insights into optimal network design choices and training techniques. In conclusion, this work proposes an improved framework advancing the state-of-the-art in nuclei analysis. We release our code and models (https://github.com/WinnieLaugh/CONIC_Pathology_AI) to serve as a toolkit for the community.
- Abstract（参考訳）: 組織像における核の正確なセグメンテーションと分類は、核の不均一性、染色のばらつき、組織複雑さのために重要であるが困難である。
既存の手法ではデータセットの変動が限られており、類似のスライド画像(WSI)からパッチが抽出され、モデルが局所的な最適状態に陥りやすい。
本稿では、この制限に対処し、堅牢な核分析を可能にするための新しい枠組みを提案する。
本手法は,二段アンサンブルモデルを利用して,限られたデータセット変動に起因する問題を克服する。
イントラアンサンブルは個々のサンプルに多様な変換を適用し、イントラアンサンブルは異なるスケールのネットワークを結合する。
また、更新エンコーダ、ネストされた高密度デコード、モデル正規化戦略など、HoVer-Netアーキテクチャの拡張も導入しています。
核組成予測のための第1位と,2022年のコロン核識別・カウント(CoNIC)チャレンジにおけるセグメンテーション/分類のための第3位を含む,公開ベンチマークの最先端結果を達成する。
この成功は、正確な組織学的核解析のための我々のアプローチを検証する。
大規模な実験とアブレーション研究は、最適なネットワーク設計の選択とトレーニング技術に関する洞察を提供する。
結論として、核分析の最先端化に向けた改良された枠組みを提案する。
私たちはコミュニティのためのツールキットとしてコードとモデル(https://github.com/WinnieLaugh/CONIC_Pathology_AI)をリリースします。
関連論文リスト
- 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) - Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。
このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。
実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文 参考訳（メタデータ） (2023-10-22T06:16:16Z) - 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) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - InsMix: Towards Realistic Generative Data Augmentation for Nuclei
Instance Segmentation [29.78647170035808]
本稿では,コピック・ペースト・スムース原理に従って,核セグメンテーションのための現実的なデータ拡張手法InsMixを提案する。
具体的には、拡張画像が原子核に関する豪華な情報を取得することができる形態的制約を提案する。
背景の画素冗長性をフル活用するために,背景パッチをランダムにシャッフルする背景摂動法を提案する。
論文 参考訳（メタデータ） (2022-06-30T08:58:05Z) - 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) - An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。
半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。
本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文 参考訳（メタデータ） (2020-12-06T18:55:07Z) - 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。