論文の概要: Deep Learning based Automatic Detection of Dicentric Chromosome
- arxiv url: http://arxiv.org/abs/2204.08029v1
- Date: Sun, 17 Apr 2022 15:11:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-19 16:05:23.212893
- Title: Deep Learning based Automatic Detection of Dicentric Chromosome
- Title（参考訳）: 深層学習による二中心染色体の自動検出
- Authors: Angad Singh Wadhwa, Nikhil Tyagi and Pinaki Roy Chowdhury
- Abstract要約: 本稿では,フィールドエキスパートの最小限の介入を必要とする,完全にデータ駆動型フレームワークを提案する。
画像はWHO-BIODOSNETが記述したプロトコルに基づいてYOLOv4から抽出される。
中心性染色体と単中心性染色体の1:1分割で94.33%の精度を報告した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Automatic detection of dicentric chromosomes is an essential step to estimate
radiation exposure and development of end to end emergency bio dosimetry
systems. During accidents, a large amount of data is required to be processed
for extensive testing to formulate a medical treatment plan for the masses,
which requires this process to be automated. Current approaches require human
adjustments according to the data and therefore need a human expert to
calibrate the system. This paper proposes a completely data driven framework
which requires minimum intervention of field experts and can be deployed in
emergency cases with relative ease. Our approach involves YOLOv4 to detect the
chromosomes and remove the debris in each image, followed by a classifier that
differentiates between an analysable chromosome and a non-analysable one.
Images are extracted from YOLOv4 based on the protocols described by
WHO-BIODOSNET. The analysable chromosome is classified as Monocentric or
Dicentric and an image is accepted for consideration of dose estimation based
on the analysable chromosome count. We report an accuracy in dicentric
identification of 94.33% on a 1:1 split of Dicentric and Monocentric
Chromosomes.
- Abstract（参考訳）: 二心性染色体の自動検出は、放射線曝露を推定し、終端緊急生体線量測定システムの開発に不可欠なステップである。
事故時には、大量検査のために大量のデータを処理し、大衆のための医療計画を作成する必要があり、このプロセスを自動化する必要がある。
現在のアプローチでは、データに応じて人間の調整が必要であるため、システムのキャリブレーションには人間の専門家が必要である。
本稿では,現場専門家の介入を最小限にし,比較的容易な緊急対応が可能な,完全にデータ駆動型フレームワークを提案する。
我々のアプローチでは、YOLOv4が染色体を検出し、各画像の破片を除去し、続いて分析可能な染色体と解析不可能な染色体を区別する分類器が使用される。
画像はWHO-BIODOSNETのプロトコルに基づいてYOLOv4から抽出される。
分析可能な染色体は、一中心性または二中心性に分類され、解析可能な染色体数に基づく線量推定を考慮して画像が受理される。
中心性染色体と単中心性染色体の1:1分割で94.33%の精度を報告した。
関連論文リスト
- AutoKary2022: A Large-Scale Densely Annotated Dataset for Chromosome
Instance Segmentation [8.029213659494856]
AutoKary2022は50人の患者の612の顕微鏡画像に27,000以上の染色体が含まれている。
各インスタンスにはポリゴンマスクとクラスラベルがアノテートされ、正確な染色体の検出とセグメンテーションを支援する。
論文 参考訳（メタデータ） (2023-03-28T09:15:55Z) - Karyotype AI for Precision Oncology [24.283441582734255]
従来の核型解析を自動化しようとする試みは収差検出では不十分であった。
TopViTはCNN(インセプション)モデルで99.3%の精度で染色体を同定した。
論文 参考訳（メタデータ） (2022-11-20T04:59:23Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Chromosome Segmentation Analysis Using Image Processing Techniques and
Autoencoders [0.0]
細胞遺伝学に基づく診断において, 染色体解析とメタフェーズ画像からの同定が重要な部分である。
染色体をメタフェーズから同定するプロセスは退屈なもので、訓練された人員と実行に数時間を要する。
そこで本研究では,染色体検出と染色体分割のプロセスを自動化する手法を提案する。
論文 参考訳（メタデータ） (2022-09-12T17:06:42Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact
Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。
本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。
提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文 参考訳（メタデータ） (2022-01-31T14:27:35Z) - SQUID: Deep Feature In-Painting for Unsupervised Anomaly Detection [76.01333073259677]
無線画像からの異常検出のための空間認識型メモリキューを提案する(略してSQUID)。
SQUIDは, 微細な解剖学的構造を逐次パターンに分類でき, 推測では画像中の異常(見えない/修正されたパターン)を識別できる。
論文 参考訳（メタデータ） (2021-11-26T13:47:34Z) - A Deep Learning Approach to Predicting Collateral Flow in Stroke
Patients Using Radiomic Features from Perfusion Images [58.17507437526425]
側方循環は、血流を妥協した領域に酸素を供給する特殊な無酸素流路から生じる。
実際のグレーティングは主に、取得した画像の手動検査によって行われる。
MR灌流データから抽出した放射線学的特徴に基づいて,脳卒中患者の側方血流低下を予測するための深層学習手法を提案する。
論文 参考訳（メタデータ） (2021-10-24T18:58:40Z) - Sickle Cell Disease Severity Prediction from Percoll Gradient Images
using Graph Convolutional Networks [38.27767684024691]
シックル細胞病(Sickle cell disease, SCD)は、赤血球の早期破壊を引き起こす重篤な遺伝性ヘモグロビン疾患である。
提案手法は,SCD重大度予測の難問に対する最初の計算手法である。
論文 参考訳（メタデータ） (2021-09-11T21:09:50Z) - Automatic evaluation of human oocyte developmental potential from
microscopy images [0.0]
本稿では,このプロセスの速度,再現性,精度を向上させる自動システムを提案する。
まず、個々の卵細胞を局在させ、その主成分をCNN(U-Net)セグメンテーションを用いて同定する。
提案手法は,分類精度を70%に向上させる。
論文 参考訳（メタデータ） (2021-02-27T19:36:04Z)
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。