論文の概要: Omni-Seg+: A Scale-aware Dynamic Network for Pathological Image Segmentation

• arxiv url: http://arxiv.org/abs/2206.13632v1
• Date: Mon, 27 Jun 2022 21:09:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-06-29 13:53:43.519838
• Title: Omni-Seg+: A Scale-aware Dynamic Network for Pathological Image Segmentation
• Title（参考訳）: Omni-Seg+: 画像分割のための大規模動的ネットワーク
• Authors: Ruining Deng, Quan Liu, Can Cui, Tianyuan Yao, Jun Long, Zuhayr Asad, R. Michael Womick, Zheyu Zhu, Agnes B. Fogo, Shilin Zhao, Haichun Yang, Yuankai Huo
• Abstract要約: 糸球体の断面領域は、管周囲の毛細血管の64倍の大きさである。 マルチオブジェクト(6つの組織型)とマルチスケール(5Xから40Xスケール)の画像セグメンテーションを実現する,スケール対応の動的ニューラルネットワークであるOmni-Seg+ネットワークを提案する。
• 参考スコア（独自算出の注目度）: 13.182646724406291
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Comprehensive semantic segmentation on renal pathological images is challenging due to the heterogeneous scales of the objects. For example, on a whole slide image (WSI), the cross-sectional areas of glomeruli can be 64 times larger than that of the peritubular capillaries, making it impractical to segment both objects on the same patch, at the same scale. To handle this scaling issue, prior studies have typically trained multiple segmentation networks in order to match the optimal pixel resolution of heterogeneous tissue types. This multi-network solution is resource-intensive and fails to model the spatial relationship between tissue types. In this paper, we propose the Omni-Seg+ network, a scale-aware dynamic neural network that achieves multi-object (six tissue types) and multi-scale (5X to 40X scale) pathological image segmentation via a single neural network. The contribution of this paper is three-fold: (1) a novel scale-aware controller is proposed to generalize the dynamic neural network from single-scale to multi-scale; (2) semi-supervised consistency regularization of pseudo-labels is introduced to model the inter-scale correlation of unannotated tissue types into a single end-to-end learning paradigm; and (3) superior scale-aware generalization is evidenced by directly applying a model trained on human kidney images to mouse kidney images, without retraining. By learning from ~150,000 human pathological image patches from six tissue types at three different resolutions, our approach achieved superior segmentation performance according to human visual assessment and evaluation of image-omics (i.e., spatial transcriptomics). The official implementation is available at https://github.com/ddrrnn123/Omni-Seg.
• Abstract（参考訳）: 腎病理像の包括的セマンティックセグメンテーションは,物体の不均一なスケールのため困難である。 例えば、スライド画像全体(WSI)では、糸球体の断面領域は管周囲の毛細血管の64倍の大きさであり、同じスケールで両方の物体を分割することは不可能である。 このスケーリング問題に対処するために、従来の研究では、異種組織タイプの最適なピクセル解像度に合うように、複数のセグメンテーションネットワークを訓練してきた。 このマルチネットワークソリューションは資源集約的で、組織タイプ間の空間的関係をモデル化できない。 本稿では,マルチオブジェクト(6つの組織型)とマルチスケール(5Xから40Xスケール)の病理画像セグメント化を実現する,スケール対応の動的ニューラルネットワークであるOmni-Seg+ネットワークを提案する。 The contribution of this paper is three-fold: (1) a novel scale-aware controller is proposed to generalize the dynamic neural network from single-scale to multi-scale; (2) semi-supervised consistency regularization of pseudo-labels is introduced to model the inter-scale correlation of unannotated tissue types into a single end-to-end learning paradigm; and (3) superior scale-aware generalization is evidenced by directly applying a model trained on human kidney images to mouse kidney images, without retraining. 3つの異なる解像度で6種類の組織から約150,000個のヒトの病理像パッチから学習し、ヒトの視覚的評価と画像美学(空間転写学)の評価により、より優れたセグメンテーション性能を得た。 公式実装はhttps://github.com/ddrrnn123/Omni-Segで公開されている。

関連論文リスト

• Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
  オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。 最初はFlyTracingという名前のデータセットを構築しました。 本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2024-01-05T19:45:12Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Multi-scale Multi-site Renal Microvascular Structures Segmentation for Whole Slide Imaging in Renal Pathology [4.743463035587953]
  Omni-Segは,マルチサイト,マルチスケールのトレーニングデータを活用する新しい動的ネットワーク手法である。 我々は、HuBMAPとNEPTUNEという2つのデータセットの画像を用いて、特異なディープネットワークを訓練する。 提案手法は,腎微小血管構造の定量的解析のための強力な計算ツールを腎病理医に提供する。
  論文  参考訳（メタデータ） (2023-08-10T16:26:03Z)
• 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)
• 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)
• Improving anatomical plausibility in medical image segmentation via hybrid graph neural networks: applications to chest x-ray analysis [3.3382651833270587]
  我々は、画像特徴符号化とグラフ畳み込みニューラルネットワーク(GCNN)の標準畳み込みを利用して、解剖学的構造の可塑性表現を復号するエンコーダデコーダニューラルアーキテクチャであるHybridGNetを紹介する。 新たなイメージ・ツー・グラフ・スキップ接続層により、標準的な畳み込みブロックからGCNNブロックへローカライズされた機能が流れ、セグメンテーションの精度が向上することを示す。
  論文  参考訳（メタデータ） (2022-03-21T13:37:23Z)
• Omni-Seg: A Single Dynamic Network for Multi-label Renal Pathology Image Segmentation using Partially Labeled Data [6.528287373027917]
  非癌病理学では、学習アルゴリズムにより、より包括的な組織型を同時に調べることができる。 それまでは、ドメイン固有の知識に合わせて複数のセグメンテーションネットワークをトレーニングする必要があった。 パッチワイドの病理画像15万点から学習することにより,提案したOmni-Segネットワークはセグメンテーション精度が向上し,資源消費量も低減した。
  論文  参考訳（メタデータ） (2021-12-23T16:02:03Z)
• Automatic Semantic Segmentation of the Lumbar Spine. Clinical Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
  この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。 提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
  論文  参考訳（メタデータ） (2021-11-16T17:33:05Z)
• Automatic size and pose homogenization with spatial transformer network to improve and accelerate pediatric segmentation [51.916106055115755]
  空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。 私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。 腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
  論文  参考訳（メタデータ） (2021-07-06T14:50:03Z)

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。