論文の概要: Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion
Characterization with Large-scale Web Image Mining
- arxiv url: http://arxiv.org/abs/2206.00123v1
- Date: Tue, 31 May 2022 21:22:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-03 09:25:50.394189
- Title: Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion
Characterization with Large-scale Web Image Mining
- Title（参考訳）: Glo-In-One: 大規模Web画像マイニングによるホロスティックな糸球体検出, セグメンテーション, 病変評価
- Authors: Tianyuan Yao, Yuzhe Lu, Jun Long, Aadarsh Jha, Zheyu Zhu, Zuhayr Asad,
Haichun Yang, Agnes B. Fogo, Yuankai Huo
- Abstract要約: 我々はGlo-In-Oneツールキットを開発し、一行のコマンドで全体的球状検出、セグメンテーション、キャラクタリゼーションを実現する。
我々は,自己教師型ディープラーニングのアルゴリズム開発を促進するために,3万枚の未ラベルの球面画像の大規模なコレクションをリリースする。
- 参考スコア（独自算出の注目度）: 5.786726927985774
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The quantitative detection, segmentation, and characterization of glomeruli
from high-resolution whole slide imaging (WSI) play essential roles in the
computer-assisted diagnosis and scientific research in digital renal pathology.
Historically, such comprehensive quantification requires extensive programming
skills in order to be able to handle heterogeneous and customized computational
tools. To bridge the gap of performing glomerular quantification for
non-technical users, we develop the Glo-In-One toolkit to achieve holistic
glomerular detection, segmentation, and characterization via a single line of
command. Additionally, we release a large-scale collection of 30,000 unlabeled
glomerular images to further facilitate the algorithmic development of
self-supervised deep learning. The inputs of the Glo-In-One toolkit are WSIs,
while the outputs are (1) WSI-level multi-class circle glomerular detection
results (which can be directly manipulated with ImageScope), (2) glomerular
image patches with segmentation masks, and (3) different lesion types. To
leverage the performance of the Glo-In-One toolkit, we introduce
self-supervised deep learning to glomerular quantification via large-scale web
image mining. The GGS fine-grained classification model achieved a decent
performance compared with baseline supervised methods while only using 10% of
the annotated data. The glomerular detection achieved an average precision of
0.627 with circle representations, while the glomerular segmentation achieved a
0.955 patch-wise Dice Similarity Coefficient (DSC).
- Abstract（参考訳）: 高分解能全スライディング画像(wsi)からの糸球体の検出, 分画, 同定は, デジタル腎病理学におけるコンピュータ支援診断および科学的研究において重要な役割を担っている。
歴史的に、このような包括的定量化は、不均一でカスタマイズされた計算ツールを扱うために、広範なプログラミングスキルを必要とする。
非技術ユーザのための糸球体定量化のギャップを埋めるため,我々は1行のコマンドで総合的な糸球体検出,セグメント化,キャラクタリゼーションを実現するためのglo-in-oneツールキットを開発した。
さらに,自己教師付き深層学習のアルゴリズム開発を促進するために,3万個のラベルなし糸球体画像を大規模に収集した。
glo-in-oneツールキットの入力は、wsisであり、出力は、(1)wsiレベルの多クラス多層円糸球体検出結果(イメージスコープで直接操作できる)、(2)セグメンテーションマスク付き糸球体画像パッチ、(3)異なる病変タイプである。
glo-in-oneツールキットの性能を活用するために,大規模web画像マイニングによる糸球体定量化に自己教師ありディープラーニングを導入する。
GGSの細粒度分類モデルは,アノテートデータの10%しか使用せず,ベースライン管理手法に比べて良好な性能を示した。
球面検出は円の表現で平均精度0.627、球面分割は0.955パッチワイドDice similarity Coefficient(DSC)を達成した。
関連論文リスト
- GRU-Net for breast histopathology image segmentation [24.85210810502592]
本稿では病理組織像分割のためのMultiResU-Netの修正版を提案する。
複雑な機能を複数のスケールで分析し、セグメント化できるため、バックボーンとして選択される。
乳がんの病理組織像データセットの多様性について検討した。
論文 参考訳（メタデータ） (2024-06-12T19:17:17Z) - Dual-scale Enhanced and Cross-generative Consistency Learning for
Semi-supervised Polyp Segmentation [52.06525450636897]
大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。
既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。
大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
論文 参考訳（メタデータ） (2023-12-26T12:56:31Z) - WATUNet: A Deep Neural Network for Segmentation of Volumetric Sweep
Imaging Ultrasound [1.2903292694072621]
ボリューム・スイープ・イメージング(VSI)は、訓練を受けていないオペレーターが高品質な超音波画像をキャプチャできる革新的な手法である。
本稿ではWavelet_Attention_UNet(WATUNet)と呼ばれる新しいセグメンテーションモデルを提案する。
このモデルでは、簡単な接続ではなく、ウェーブレットゲート(WG)とアテンションゲート(AG)をエンコーダとデコーダの間に組み込んで、上記の制限を克服する。
論文 参考訳（メタデータ） (2023-11-17T20:32:37Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Deep embedded clustering algorithm for clustering PACS repositories [0.0]
我々は、ピクセルデータのみを用いた医用画像の完全教師なしクラスタリングの問題に取り組む。
私たちは3万枚の画像でモデルをトレーニングし、8000枚の画像からなる別のテストセットを使ってそれらをテストします。
論文 参考訳（メタデータ） (2022-06-24T05:57:49Z) - 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) - Learning of Inter-Label Geometric Relationships Using Self-Supervised
Learning: Application To Gleason Grade Segmentation [4.898744396854313]
そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。
我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。
得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
論文 参考訳（メタデータ） (2021-10-01T13:47:07Z) - PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia
Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。
PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。
このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文 参考訳（メタデータ） (2021-08-09T04:58:23Z) - Y-net: Biomedical Image Segmentation and Clustering [0.0]
医用画像解析のための画像分割を伴う深層クラスタリングアーキテクチャを提案する。
Kmeansクラスタリングを用いたディープクラスタリングはクラスタリングブランチで行われ、セグメンテーションには軽量モデルが使用される。
提案したアーキテクチャは、データセットが大きくなるにつれて非常にコストがかかるため、早期診断を提供し、ラベル付けに対する人間の介入を減らすことができる。
論文 参考訳（メタデータ） (2020-04-12T21:08:31Z) - 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。