論文の概要: Nucleus Segmentation and Analysis in Breast Cancer with the MIScnn Framework

• arxiv url: http://arxiv.org/abs/2206.08182v1
• Date: Thu, 16 Jun 2022 13:51:19 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 14:05:41.040220
• Title: Nucleus Segmentation and Analysis in Breast Cancer with the MIScnn Framework
• Title（参考訳）: miscnnフレームワークを用いた乳癌の核分節化と解析
• Authors: Adrian Pfleiderer, Dominik M\"uller, Frank Kramer
• Abstract要約: Nuデータセットには、乳がんにおける細胞核の220.000以上のアノテーションが含まれている。 細胞核の解析を自動化するためにMIScnn Frameworkを用いたマルチレータモデルを作成する方法を示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The NuCLS dataset contains over 220.000 annotations of cell nuclei in breast cancers. We show how to use these data to create a multi-rater model with the MIScnn Framework to automate the analysis of cell nuclei. For the model creation, we use the widespread U-Net approach embedded in a pipeline. This pipeline provides besides the high performance convolution neural network, several preprocessor techniques and a extended data exploration. The final model is tested in the evaluation phase using a wide variety of metrics with a subsequent visualization. Finally, the results are compared and interpreted with the results of the NuCLS study. As an outlook, indications are given which are important for the future development of models in the context of cell nuclei.
• Abstract（参考訳）: nuclsデータセットは、乳癌における220.000以上の細胞核の注釈を含んでいる。 これらのデータを用いてmiscnnフレームワークを用いたマルチレートモデルを作成し、細胞核の解析を自動化する方法を示す。 モデル作成には、パイプラインに埋め込まれた広範なU-Netアプローチを使用します。 このパイプラインは、高性能畳み込みニューラルネットワークに加えて、いくつかのプリプロセッサ技術と拡張データ探索を提供する。 最終モデルは、さまざまなメトリクスを使用して評価フェーズでテストされ、その後に可視化される。 最後に、結果はnucls研究の結果と比較され、解釈される。 展望として、細胞核の文脈におけるモデルの将来の発展に重要な指標が提示される。

関連論文リスト

• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models [3.2996723916635267]
  第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。 これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
  論文  参考訳（メタデータ） (2023-03-20T22:16:03Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Lizard: A Large-Scale Dataset for Colonic Nuclear Instance Segmentation and Classification [4.642724910208435]
  組織像解析のための大規模データセットの収集を可能にする多段階アノテーションパイプラインを提案する。 我々は、50万近いラベル付き核を含む、既知の最大の核インスタンスのセグメンテーションと分類データセットを生成する。
  論文  参考訳（メタデータ） (2021-08-25T11:58:52Z)
• Deep neural networks approach to microbial colony detection -- a comparative analysis [52.77024349608834]
  本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。 得られた結果は将来の実験のベンチマークとして機能するかもしれない。
  論文  参考訳（メタデータ） (2021-08-23T12:06:00Z)
• 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)
• A Systematic Approach to Featurization for Cancer Drug Sensitivity Predictions with Deep Learning [49.86828302591469]
  35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。 RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
  論文  参考訳（メタデータ） (2020-04-30T20:42:17Z)

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。