論文の概要: WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma
- arxiv url: http://arxiv.org/abs/2204.06455v1
- Date: Wed, 13 Apr 2022 15:27:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-14 16:25:40.043411
- Title: WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma
- Title（参考訳）: WSSS4LUAD : 肺腺癌に対する弱温存組織分節手術のグランドチャレンジ
- Authors: Chu Han, Xipeng Pan, Lixu Yan, Huan Lin, Bingbing Li, Su Yao, Shanshan
Lv, Zhenwei Shi, Jinhai Mai, Jiatai Lin, Bingchao Zhao, Zeyan Xu, Zhizhen
Wang, Yumeng Wang, Chunhui Lin, Lijian Mao, Min Wu, Luwen Duan, Jingsong Zhu,
Dong Hu, Zijie Fang, Yang Chen, Yongbing Zhang, Yi Li, Yiwen Zou, Yiduo Yu,
Xiaomeng Li, Haiming Li, Yanfen Cui, Guoqiang Han, Yan Xu, Jun Xu, Huihua
Yang, Chunming Li, Zhenbing Liu, Cheng Lu, Xin Chen, Changhong Liang,
Qingling Zhang, Zaiyi Liu
- Abstract要約: 我々は,この課題を組織化し,LUADの病理組織像に対する弱い教師付きセマンティックセマンティックセグメンテーション技術を求める。
チャレンジには10,091個のパッチレベルアノテーション(トレーニングセット)と1300万以上のラベル付きピクセルが含まれている。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
- 参考スコア（独自算出の注目度）: 48.26760276865666
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Lung cancer is the leading cause of cancer death worldwide, and
adenocarcinoma (LUAD) is the most common subtype. Exploiting the potential
value of the histopathology images can promote precision medicine in oncology.
Tissue segmentation is the basic upstream task of histopathology image
analysis. Existing deep learning models have achieved superior segmentation
performance but require sufficient pixel-level annotations, which is
time-consuming and expensive. To enrich the label resources of LUAD and to
alleviate the annotation efforts, we organize this challenge WSSS4LUAD to call
for the outstanding weakly-supervised semantic segmentation techniques for
histopathology images of LUAD. Participants have to design the algorithm to
segment tumor epithelial, tumor-associated stroma and normal tissue with only
patch-level labels. This challenge includes 10,091 patch-level annotations (the
training set) and over 130 million labeled pixels (the validation and test
sets), from 67 WSIs (47 from GDPH, 20 from TCGA). All the labels were generated
by a pathologist-in-the-loop pipeline with the help of AI models and checked by
the label review board. Among 532 registrations, 28 teams submitted the results
in the test phase with over 1,000 submissions. Finally, the first place team
achieved mIoU of 0.8413 (tumor: 0.8389, stroma: 0.7931, normal: 0.8919).
According to the technical reports of the top-tier teams, CAM is still the most
popular approach in WSSS. Cutmix data augmentation has been widely adopted to
generate more reliable samples. With the success of this challenge, we believe
that WSSS approaches with patch-level annotations can replace the traditional
pixel annotations while reducing the annotation efforts. The entire dataset has
been released to encourage more researches on computational pathology in LUAD
and more novel WSSS techniques.
- Abstract（参考訳）: 肺がんは世界中でがん死の主要な原因であり、腺癌(LUAD)は最も一般的な亜型である。
病理像の潜在的価値をエクスプロイトすることは、腫瘍学における精密医療を促進することができる。
組織分割は病理組織画像解析の基本的な上流課題である。
既存のディープラーニングモデルはセグメンテーション性能が優れているが、十分なピクセルレベルのアノテーションが必要である。
LUADのラベル資源を充実させ,アノテーションの取り組みを緩和するために,この挑戦を組織し,LUADの病理組織像に対する弱い教師付きセマンティックセグメンテーション技術を求める。
参加者は、パッチレベルラベルのみの腫瘍上皮、腫瘍関連ストローマおよび正常組織を分割するアルゴリズムを設計する必要がある。
この課題には10,091のパッチレベルアノテーション(トレーニングセット)と1億3000万以上のラベル付きピクセル(検証とテストセット)が含まれ、67のWSI(GDPHから47、TCGAから20)が含まれている。
すべてのラベルは、aiモデルの助けを借りて、病理学者がループ内パイプラインで生成し、ラベルレビューボードによってチェックされた。
532の登録のうち、28のチームが1000以上の応募でテストフェーズの結果を提出した。
最後に、第1チームは0.8413(腫瘍: 0.8389、ストローマ: 0.7931、正常: 0.8919)のmiouを達成した。
トップクラスのチームの技術報告によると、依然としてCAMはWSSSで最も人気のあるアプローチである。
より信頼性の高いサンプルを生成するために、カットミックスデータ拡張が広く採用されている。
この課題の成功により、パッチレベルのアノテーションによるWSSSアプローチは、アノテーションの労力を減らしながら、従来のピクセルアノテーションを置き換えることができると信じています。
LUADの計算病理学と、より新しいWSSS技術の研究を促進するために、データセット全体がリリースされた。
関連論文リスト
- Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。
再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文 参考訳（メタデータ） (2024-11-16T09:19:24Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Generative Adversarial Networks for Weakly Supervised Generation and Evaluation of Brain Tumor Segmentations on MR Images [0.0]
本研究は2次元磁気共鳴画像におけるセグメント異常に対する弱教師付きアプローチを示す。
我々は,癌画像を健全な変種に変換するGAN(Generative Adversarial Network)を訓練する。
非共役な変種は、弱監督的な方法で分割を評価するためにも用いられる。
論文 参考訳（メタデータ） (2022-11-10T00:04:46Z) - Histopathological Imaging Classification of Breast Tissue for Cancer
Diagnosis Support Using Deep Learning Models [0.0]
ヘマトキシリンとエオシンはがん診断における金の標準であると考えられている。
病理画像(WSI)を複数のパッチに分割するアイデアに基づいて,左から右へスライドし,上から下へスライドするウィンドウ[512,512]を,400イメージのデータセット上の拡張データに対して,各スライディングステップが50%重なり合うように使用した。
EffficientNetモデルは、高解像度の画像のトレーニングに適した、固定されたスケーリング要素のセットで、ネットワークの幅、深さ、解像度を均一にスケーリングする、最近開発されたモデルである。
論文 参考訳（メタデータ） (2022-07-03T13:56:44Z) - FetReg2021: A Challenge on Placental Vessel Segmentation and
Registration in Fetoscopy [52.3219875147181]
2-Twin Transfusion Syndrome (TTTS) に対するレーザー光凝固法が広く採用されている。
このプロシージャは、視野が限られたこと、フェトスコープの操作性が悪いこと、視認性が悪いこと、照明の変動性のために特に困難である。
コンピュータ支援介入(CAI)は、シーン内の重要な構造を特定し、ビデオモザイクを通して胎児の視野を広げることで、外科医に意思決定支援と文脈認識を提供する。
7つのチームがこの課題に参加し、そのモデルパフォーマンスを、6フェットから658ピクセルの注釈付き画像の見当たらないテストデータセットで評価した。
論文 参考訳（メタデータ） (2022-06-24T23:44:42Z) - Lung-Originated Tumor Segmentation from Computed Tomography Scan (LOTUS)
Benchmark [48.30502612686276]
肺癌は最も致命的ながんの1つであり、その効果的な診断と治療は腫瘍の正確な悪性度に依存している。
現在最も一般的なアプローチであるHuman-centered segmentationは、サーバ間変動の対象となる。
2018年のVIPカップは、42か国から競争データにアクセスするための世界的な参加から始まった。
簡単に言えば、競争中に提案されたアルゴリズムはすべて、偽陽性還元手法と組み合わせたディープラーニングモデルに基づいている。
論文 参考訳（メタデータ） (2022-01-03T03:06:38Z) - Hybrid guiding: A multi-resolution refinement approach for semantic
segmentation of gigapixel histopathological images [0.7490318169877296]
セマンティックセグメンテーションのための、H2G-Netと呼ばれるカスケード畳み込みニューラルネットワーク設計を提案する。
設計にはパッチワイズ方式による検出段階と、畳み込みオートエンコーダを用いた改良段階が含まれる。
最高の設計は90 WSIの独立したテストセットでDiceスコア0.933を達成した。
論文 参考訳（メタデータ） (2021-12-07T02:31:29Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。
CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。
これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
論文 参考訳（メタデータ） (2020-04-22T07:30:56Z) - A Generalized Deep Learning Framework for Whole-Slide Image Segmentation
and Analysis [0.20065923589074736]
病理組織分析は癌診断と予後における金の基準と考えられている。
深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。
本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
論文 参考訳（メタデータ） (2020-01-01T18:05:44Z)
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。
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。