論文の概要: Deep Multi-Scale U-Net Architecture and Noise-Robust Training Strategies
for Histopathological Image Segmentation
- arxiv url: http://arxiv.org/abs/2205.01777v1
- Date: Tue, 3 May 2022 21:00:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 04:03:03.028350
- Title: Deep Multi-Scale U-Net Architecture and Noise-Robust Training Strategies
for Histopathological Image Segmentation
- Title（参考訳）: 病理画像分割のためのマルチスケールU-Netアーキテクチャとノイズロバストトレーニング戦略
- Authors: Nikhil Cherian Kurian, Amit Lohan, Gregory Verghese, Nimish Dharamshi,
Swati Meena, Mengyuan Li, Fangfang Liu, Cheryl Gillet, Swapnil Rane, Anita
Grigoriadis, Amit Sethi
- Abstract要約: 本稿では,U-Netエンコーダの各畳み込みモジュールにマルチスケールの特徴マップを明示的に付加し,ヒストロジー画像のセグメンテーションを改善することを提案する。
乳がんリンパ節のプライベートデータセットを用いた実験では, 提案した2つの拡張に基づいて, U-Netベースラインを大幅に改善した。
- 参考スコア（独自算出の注目度）: 6.236433671063744
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Although the U-Net architecture has been extensively used for segmentation of
medical images, we address two of its shortcomings in this work. Firstly, the
accuracy of vanilla U-Net degrades when the target regions for segmentation
exhibit significant variations in shape and size. Even though the U-Net already
possesses some capability to analyze features at various scales, we propose to
explicitly add multi-scale feature maps in each convolutional module of the
U-Net encoder to improve segmentation of histology images. Secondly, the
accuracy of a U-Net model also suffers when the annotations for supervised
learning are noisy or incomplete. This can happen due to the inherent
difficulty for a human expert to identify and delineate all instances of
specific pathology very precisely and accurately. We address this challenge by
introducing auxiliary confidence maps that emphasize less on the boundaries of
the given target regions. Further, we utilize the bootstrapping properties of
the deep network to address the missing annotation problem intelligently. In
our experiments on a private dataset of breast cancer lymph nodes, where the
primary task was to segment germinal centres and sinus histiocytosis, we
observed substantial improvement over a U-Net baseline based on the two
proposed augmentations.
- Abstract（参考訳）: U-Netアーキテクチャは医用画像のセグメンテーションに広く用いられているが、本研究における欠点の2つに対処する。
第一に, セグメンテーション対象領域が形状や大きさに有意な変化を示す場合, バニラU-Netの精度は低下する。
U-Netはすでに様々なスケールで機能を解析する能力を持っているが、U-Netエンコーダの各畳み込みモジュールにマルチスケールの特徴マップを明示的に追加し、ヒストロジー画像のセグメンテーションを改善することを提案する。
第二に、教師付き学習のためのアノテーションがノイズや不完全である場合、u-netモデルの精度も低下する。
これは、人間の専門家が特定の病理の全ての事例を正確に正確に特定し、記述することが困難であるために起こりうる。
我々は、与えられた対象領域の境界を強調しない補助信頼度マップを導入することで、この課題に対処します。
さらに,ディープネットワークのブートストラップ特性を利用して,不足しているアノテーション問題をインテリジェントに解決する。
本研究は, 乳がんリンパ節のプライベートデータセットを用いて, 胚性中心と副鼻腔組織球症の分節化を主目的とし, 提案した2つの拡張に基づいて, U-Netベースラインの大幅な改善が認められた。
関連論文リスト
- MAProtoNet: A Multi-scale Attentive Interpretable Prototypical Part Network for 3D Magnetic Resonance Imaging Brain Tumor Classification [25.056170817680403]
そこで本稿では,MAProtoNet と呼ばれるマルチスケール適応型部分ネットワークを提案し,より正確な属性マップを提供する。
具体的には、四重項の注意層から注意的特徴をマージし、属性マップを生成するための簡潔なマルチスケールモジュールを提案する。
医療画像における既存の解釈可能な部分ネットワークと比較して、MAProtoNetはローカライゼーションにおける最先端の性能を達成することができる。
論文 参考訳（メタデータ） (2024-04-13T07:30:17Z) - DoubleU-NetPlus: A Novel Attention and Context Guided Dual U-Net with
Multi-Scale Residual Feature Fusion Network for Semantic Segmentation of
Medical Images [2.20200533591633]
本稿ではDoubleU-NetPlusという2つのU-Netアーキテクチャを提案する。
我々は,識別的特徴表現をモデル化するネットワークの能力を高めるために,マルチコンテキスト特徴といくつかの注意戦略を利用する。
勾配消滅問題を緩和し、より深い空間的詳細を持つ高分解能特徴を取り入れるため、標準畳み込み操作を注意誘導残差畳み込み操作に置き換える。
論文 参考訳（メタデータ） (2022-11-25T16:56:26Z) - UNet#: A UNet-like Redesigning Skip Connections for Medical Image
Segmentation [13.767615201220138]
シンボル#に類似した形状のUNet-sharp(UNet#)という,高密度スキップ接続とフルスケールスキップ接続を組み合わせた新しいネットワーク構造を提案する。
提案されたUNet#は、デコーダサブネットワークで異なるスケールの機能マップを集約し、詳細な詳細と大まかなセマンティクスをフルスケールから取得することができる。
論文 参考訳（メタデータ） (2022-05-24T03:40:48Z) - TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。
TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。
2つのデータセットで最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2021-10-27T17:10:58Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - 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) - DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。
我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。
皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文 参考訳（メタデータ） (2020-08-19T06:02:46Z) - Pairwise Relation Learning for Semi-supervised Gland Segmentation [90.45303394358493]
病理組織像における腺分節に対するPRS2モデルを提案する。
このモデルはセグメンテーションネットワーク(S-Net)とペア関係ネットワーク(PR-Net)から構成される。
我々は,GlaSデータセットの最近の5つの手法とCRAGデータセットの最近の3つの手法を比較した。
論文 参考訳（メタデータ） (2020-08-06T15:02:38Z) - KiU-Net: Towards Accurate Segmentation of Biomedical Images using
Over-complete Representations [59.65174244047216]
本稿では,高次元にデータを投影するオーバーコンプリートアーキテクチャ(Ki-Net)を提案する。
このネットワークは、U-Netで拡張されると、小さな解剖学的ランドマークを分割する場合に大幅に改善される。
早期新生児の2次元超音波による脳解剖学的セグメント化の課題について検討した。
論文 参考訳（メタデータ） (2020-06-08T18:59:24Z)
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。