論文の概要: Mitosis domain generalization in histopathology images -- The MIDOG challenge

• arxiv url: http://arxiv.org/abs/2204.03742v1
• Date: Wed, 6 Apr 2022 11:43:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-11 14:07:01.804130
• Title: Mitosis domain generalization in histopathology images -- The MIDOG challenge
• Title（参考訳）: 病理組織像におけるmitosis domain generalization -- the midog challenge
• Authors: Marc Aubreville, Nikolas Stathonikos, Christof A. Bertram, Robert Klopleisch, Natalie ter Hoeve, Francesco Ciompi, Frauke Wilm, Christian Marzahl, Taryn A. Donovan, Andreas Maier, Jack Breen, Nishant Ravikumar, Youjin Chung, Jinah Park, Ramin Nateghi, Fattaneh Pourakpour, Rutger H.J. Fick, Saima Ben Hadj, Mostafa Jahanifar, Nasir Rajpoot, Jakob Dexl, Thomas Wittenberg, Satoshi Kondo, Maxime W. Lafarge, Viktor H. Koelzer, Jingtang Liang, Yubo Wang, Xi Long, Jingxin Liu, Salar Razavi, April Khademi, Sen Yang, Xiyue Wang, Mitko Veta, Katharina Breininger
• Abstract要約: 病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。 最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。 MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
• 参考スコア（独自算出の注目度）: 12.69088811541426
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The density of mitotic figures within tumor tissue is known to be highly correlated with tumor proliferation and thus is an important marker in tumor grading. Recognition of mitotic figures by pathologists is known to be subject to a strong inter-rater bias, which limits the prognostic value. State-of-the-art deep learning methods can support the expert in this assessment but are known to strongly deteriorate when applied in a different clinical environment than was used for training. One decisive component in the underlying domain shift has been identified as the variability caused by using different whole slide scanners. The goal of the MICCAI MIDOG 2021 challenge has been to propose and evaluate methods that counter this domain shift and derive scanner-agnostic mitosis detection algorithms. The challenge used a training set of 200 cases, split across four scanning systems. As a test set, an additional 100 cases split across four scanning systems, including two previously unseen scanners, were given. The best approaches performed on an expert level, with the winning algorithm yielding an F_1 score of 0.748 (CI95: 0.704-0.781). In this paper, we evaluate and compare the approaches that were submitted to the challenge and identify methodological factors contributing to better performance.
• Abstract（参考訳）: 腫瘍組織中の有糸分裂像の密度は腫瘍増殖と高い相関があることが知られており,腫瘍グレーディングにおいて重要なマーカーである。 病理学者による有糸分裂像の認識は、強いラター間バイアスの対象となることが知られている。 最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。 基礎となるドメインシフトにおける決定的な要素の1つは、スライドスキャナー全体の違いによって引き起こされるばらつきとして特定されている。 MICCAI MIDOG 2021チャレンジの目的は、このドメインシフトに対応する方法を提案し、評価することであり、スキャナ非依存のミトーシス検出アルゴリズムを導出することであった。 課題は4つのスキャンシステムに分割された200のケースのトレーニングセットを使用した。 テストセットとして、2つの未確認スキャナを含む4つのスキャンシステムにさらに100のケースが分割された。 最善のアプローチはエキスパートレベルで行われ、勝つアルゴリズムは0.748(ci95: 0.704-0.781)のf_1スコアを与える。 本稿では,課題に対するアプローチの評価と比較を行い,パフォーマンス向上に寄与する方法論的要因を同定する。

関連論文リスト

• Domain-stratified Training for Cross-organ and Cross-scanner Adenocarcinoma Segmentation in the COSAS 2024 Challenge [0.0]
  COSAS 2024(Cross-Organ and Cross-Scanner Adenocarcinoma)チャレンジのために開発された画像分割アルゴリズムを提案する。 臓器層化・スキャナ層化手法を用いて,複数の Upernet ベースセグメンテーションモデルを訓練し,結果をアンサンブルした。
  論文  参考訳（メタデータ） (2024-09-19T02:36:34Z)
• Domain generalization across tumor types, laboratories, and species -- insights from the 2022 edition of the Mitosis Domain Generalization Challenge [15.965814632791504]
  病理組織学的腫瘍標本における有糸分裂像の認識は,患者の予後評価に極めて関連している。 この研究は、課題タスク、参加者が採用する戦略、そしてその成功に寄与する潜在的な要因の概要を示している。
  論文  参考訳（メタデータ） (2023-09-27T11:44:58Z)
• Corneal endothelium assessment in specular microscopy images with Fuchs' dystrophy via deep regression of signed distance maps [48.498376125522114]
  本稿では,UNetをベースとしたセグメンテーション手法を提案する。 これは、フックスのジストロフィーの全度にわたって、信頼できるCE形態計測と腸骨同定を実現する。
  論文  参考訳（メタデータ） (2022-10-13T15:34:20Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Incremental Cross-view Mutual Distillation for Self-supervised Medical CT Synthesis [88.39466012709205]
  本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。 臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。 提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
  論文  参考訳（メタデータ） (2021-12-20T03:38:37Z)
• Multiple Time Series Fusion Based on LSTM An Application to CAP A Phase Classification Using EEG [56.155331323304]
  本研究では,深層学習に基づく脳波チャンネルの特徴レベル融合を行う。 チャネル選択,融合,分類手順を2つの最適化アルゴリズムで最適化した。
  論文  参考訳（メタデータ） (2021-12-18T14:17:49Z)
• Assessing domain adaptation techniques for mitosis detection in multi-scanner breast cancer histopathology images [0.6999740786886536]
  2つのミトーシス検出モデルと2つのスタイル転送法を訓練し、ミトーシス検出性能を向上させるために後者の有用性を評価する。 これらの最も優れたU-Netは、MIDOG 2021の予備テストセットでF1スコア0.693を達成した。
  論文  参考訳（メタデータ） (2021-09-01T16:27:46Z)
• Automated Detection of Coronary Artery Stenosis in X-ray Angiography using Deep Neural Networks [0.0]
  X線冠動脈造影画像からの狭窄検出を部分的に自動化する2段階のディープラーニングフレームワークを提案する。 左/右冠動脈角ビューの分類作業において0.97の精度を達成し、LCAとRCAの関心領域の決定について0.68/0.73のリコールを行った。
  論文  参考訳（メタデータ） (2021-03-04T11:45:54Z)
• Deep Multi-Scale Resemblance Network for the Sub-class Differentiation of Adrenal Masses on Computed Tomography Images [16.041873352037594]
  副腎の腫瘤は良性または悪性であり、良性は様々な有病率を持つ。 CNNは、大規模な医用画像訓練データセットのクラス間差を最大化する最先端技術である。 副腎腫瘤に対するCNNの応用は、大きなクラス内変異、大きなクラス間類似性、不均衡なトレーニングデータにより困難である。 そこで我々は,これらの制約を克服する深層マルチスケール類似ネットワーク(DMRN)を開発し,クラス内類似性を評価するためにペアCNNを利用した。
  論文  参考訳（メタデータ） (2020-07-29T06:24:53Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。