論文の概要: LEFM-Nets: Learnable Explicit Feature Map Deep Networks for Segmentation
of Histopathological Images of Frozen Sections
- arxiv url: http://arxiv.org/abs/2204.06955v1
- Date: Thu, 14 Apr 2022 13:27:45 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-15 18:52:40.401396
- Title: LEFM-Nets: Learnable Explicit Feature Map Deep Networks for Segmentation
of Histopathological Images of Frozen Sections
- Title（参考訳）: LEFM-Nets:凍結領域の病理像分割のための学習可能な特徴マップ深部ネットワーク
- Authors: Dario Sitnik and Ivica Kopriva
- Abstract要約: 学習可能な明示的特徴写像層によって誘導される低次元部分空間に既存のDNを埋め込むフレームワークを提案する。
ヘマトキシリンおよびエオシン染色凍結部位の画像から,肝臓の大腸腺癌の分画に新しいLEFM-Netを応用した。
- 参考スコア（独自算出の注目度）: 0.10152838128195464
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate segmentation of medical images is essential for diagnosis and
treatment of diseases. These problems are solved by highly complex models, such
as deep networks (DN), requiring a large amount of labeled data for training.
Thereby, many DNs possess task- or imaging modality specific architectures with
a decision-making process that is often hard to explain and interpret. Here, we
propose a framework that embeds existing DNs into a low-dimensional subspace
induced by the learnable explicit feature map (LEFM) layer. Compared to the
existing DN, the framework adds one hyperparameter and only modestly increase
the number of learnable parameters. The method is aimed at, but not limited to,
segmentation of low-dimensional medical images, such as color histopathological
images of stained frozen sections. Since features in the LEFM layer are
polynomial functions of the original features, proposed LEFM-Nets contribute to
the interpretability of network decisions. In this work, we combined LEFM with
the known networks: DeepLabv3+, UNet, UNet++ and MA-net. New LEFM-Nets are
applied to the segmentation of adenocarcinoma of a colon in a liver from images
of hematoxylin and eosin (H&E) stained frozen sections. LEFM-Nets are also
tested on nuclei segmentation from images of H&E stained frozen sections of ten
human organs. On the first problem, LEFM-Nets achieved statistically
significant performance improvement in terms of micro balanced accuracy and
$F_1$ score than original networks. LEFM-Nets achieved only better performance
in comparison with the original networks on the second problem. The source code
is available at https://github.com/dsitnik/lefm.
- Abstract（参考訳）: 医療画像の正確な分割は疾患の診断と治療に不可欠である。
これらの問題はディープネットワーク(DN)のような非常に複雑なモデルによって解決され、トレーニングには大量のラベル付きデータを必要とする。
したがって、多くのDNは、説明や解釈が難しい意思決定プロセスを持つタスクや画像のモダリティ固有のアーキテクチャを持っている。
本稿では,学習可能な明示的特徴写像(LEFM)層によって誘導される低次元部分空間に既存のDNを埋め込むフレームワークを提案する。
既存のDNと比較して、フレームワークは1つのハイパーパラメータを追加し、学習可能なパラメータの数をわずかに増やしている。
本手法は, 染色部の色病理像などの低次元医用画像の分画を目的としたものであるが, 限定的ではない。
LEFM層の特徴は元の特徴の多項式関数であるため,提案したLEFM-Netはネットワーク決定の解釈可能性に寄与する。
本研究では、LEFMをDeepLabv3+、UNet、UNet++、MA-netといった既知のネットワークと組み合わせた。
ヘマトキシリンおよびエオシン(H&E)染色凍結部位の画像から,肝臓の大腸腺癌の分画に新しいLEFM-Netを応用した。
LEFM-Netは、10個のヒト臓器のH&E染色された凍結された部分の画像から核のセグメンテーションをテストする。
最初の問題として、LEFM-Netsは、従来のネットワークに比べて、マイクロバランスの正確さとF_1$スコアで統計的に有意な性能向上を実現した。
LEFM-Netsは2つ目の問題で元のネットワークに比べて性能が向上した。
ソースコードはhttps://github.com/dsitnik/lefm。
関連論文リスト
- MFA-Net: Multi-Scale feature fusion attention network for liver tumor segmentation [36.837642256513426]
本稿では,MFA-Net というアテンション機構に基づく新たなセグメンテーションフレームワークを提案する。
提案するフレームワークは,複数のスケールでより意味のある特徴マップを学習し,より正確な自動セグメンテーションを実現する。
論文 参考訳（メタデータ） (2024-05-07T07:10:44Z) - Mutual-Guided Dynamic Network for Image Fusion [51.615598671899335]
画像融合のための新しい相互誘導動的ネットワーク(MGDN)を提案する。
5つのベンチマークデータセットによる実験結果から,提案手法は4つの画像融合タスクにおいて既存手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2023-08-24T03:50:37Z) - Scale-aware Super-resolution Network with Dual Affinity Learning for
Lesion Segmentation from Medical Images [50.76668288066681]
低解像度医用画像から様々な大きさの病変を適応的に分割する,スケールアウェアな超解像ネットワークを提案する。
提案するネットワークは,他の最先端手法と比較して一貫した改善を実現した。
論文 参考訳（メタデータ） (2023-05-30T14:25:55Z) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳（メタデータ） (2023-03-20T06:26:49Z) - HistoSeg : Quick attention with multi-loss function for multi-structure
segmentation in digital histology images [0.696194614504832]
医療画像のセグメンテーションは、コンピュータ支援による診断、手術、治療を支援する。
一般化デコーダネットワーク,クイックアテンションモジュール,マルチロス関数を提案する。
医用画像セグメンテーション用データセットであるMoNuSegとGlaSにおいて,提案するネットワークの有効性を評価する。
論文 参考訳（メタデータ） (2022-09-01T21:10:00Z) - TFCNs: A CNN-Transformer Hybrid Network for Medical Image Segmentation [4.768284586442054]
本稿では,TFCN (Transformers for Fully Convolutional denseNets) を提案する。
我々はTFCNがSynapseデータセットで83.72%のダイススコアで最先端のパフォーマンスを達成可能であることを示す。
論文 参考訳（メタデータ） (2022-07-07T17:28:18Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - MFSNet: A Multi Focus Segmentation Network for Skin Lesion Segmentation [28.656853454251426]
本研究は,皮膚病変の制御のための人工知能(AI)フレームワークを開発する。
MFSNetは3つの公開データセットで評価され、最先端の手法よりも優れている。
論文 参考訳（メタデータ） (2022-03-27T16:10:40Z) - InDuDoNet+: A Model-Driven Interpretable Dual Domain Network for Metal
Artifact Reduction in CT Images [53.4351366246531]
InDuDoNet+と呼ばれる新しい解釈可能な二重ドメインネットワークを構築し、CT画像の微細な埋め込みを行う。
異なる組織間のCT値を分析し,InDuDoNet+の事前観測ネットワークにマージすることで,その一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2021-12-23T15:52:37Z) - Boundary-aware Context Neural Network for Medical Image Segmentation [15.585851505721433]
医用画像のセグメンテーションは、さらなる臨床分析と疾患診断のための信頼性の高い基盤を提供することができる。
既存のCNNベースのほとんどの手法は、正確なオブジェクト境界のない不満足なセグメンテーションマスクを生成する。
本稿では,2次元医用画像分割のための境界認識コンテキストニューラルネットワーク(BA-Net)を定式化する。
論文 参考訳（メタデータ） (2020-05-03T02:35:49Z)
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。