Fugu-MT 論文翻訳(概要): Exploring Contextual Relationships for Cervical Abnormal Cell Detection

論文の概要: Exploring Contextual Relationships for Cervical Abnormal Cell Detection

arxiv url: http://arxiv.org/abs/2207.04693v1
Date: Mon, 11 Jul 2022 08:15:29 GMT
ステータス: 処理完了
システム内更新日: 2022-07-12 23:06:32.206513
Title: Exploring Contextual Relationships for Cervical Abnormal Cell Detection
Title（参考訳）: 頸部異常細胞検出における文脈関係の探索
Authors: Yixiong Liang, Shuo Feng, Qing Liu, Hulin Kuang, Liyan Liao, Yun Du, Nanying Che, Jianfeng Liu, Jianxin Wang
Abstract要約: 本稿では, 頸部異常細胞検出の性能を高めるために, 文脈的関係を探究する。 RoI-relationship attention module (RRAM) と Global RoI attention module (GRAM) と呼ばれる2つのモジュールが開発されている。 4万枚の画像からなる大規模な頸部細胞検出データセットを用いて行った実験により、RRAMとGRAMの導入は、ベースライン法よりも平均精度(AP)が良いことが判明した。
参考スコア（独自算出の注目度）: 13.871848336987275
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Cervical abnormal cell detection is a challenging task as the morphological differences between abnormal cells and normal cells are usually subtle. To determine whether a cervical cell is normal or abnormal, cytopathologists always take surrounding cells as references and make careful comparison to identify its abnormality. To mimic these clinical behaviors, we propose to explore contextual relationships to boost the performance of cervical abnormal cell detection. Specifically, both contextual relationships between cells and cell-to-global images are exploited to enhance features of each region of interest (RoI) proposals. Accordingly, two modules, termed as RoI-relationship attention module (RRAM) and global RoI attention module (GRAM) are developed and their combination strategies are also investigated. We setup strong baselines by using single-head or double-head Faster R-CNN with feature pyramid network (FPN) and integrate our RRAM and GRAM into them to validate the effectiveness of the proposed modules. Experiments conducted on a large cervical cell detection dataset consisting of 40,000 cytology images reveal that the introduction of RRAM and GRAM both achieves better average precision (AP) than the baseline methods. Moreover, when cascading RRAM and GRAM, our method outperforms the state-of-the-art (SOTA) methods. Furthermore, we also show the proposed feature enhancing scheme can facilitate the image-level and smear-level classification. The code and trained models are publicly available at https://github.com/CVIU-CSU/CR4CACD.
Abstract（参考訳）: 頸部異常細胞検出は、異常細胞と正常細胞の形態的差異が通常微妙であるため、難しい課題である。頸部細胞が正常か異常かを決定するため、細胞病理学者は常に周囲の細胞を参照し、その異常を特定するために注意深い比較を行う。これらの臨床行動を模倣するために, 頸部異常細胞検出の性能を高めるために, 文脈関係を検討することを提案する。具体的には,各関心領域(RoI)の提案の特徴を高めるために,細胞と細胞間画像の文脈的関係を利用した。そこで,RoI-relationship attention module (RRAM) と Global RoI attention module (GRAM) と呼ばれる2つのモジュールを開発し,それらの組み合わせ戦略についても検討した。特徴ピラミッドネットワーク(FPN)を用いたシングルヘッドまたはダブルヘッドの高速R-CNNを用いて強力なベースラインを設定し,RRAMとGRAMを統合し,提案モジュールの有効性を検証する。 4万枚の細胞画像からなる頸部細胞検出データセットを用いて行った実験により、RRAMとGRAMの導入は、ベースライン法よりも平均精度(AP)が良いことが判明した。さらに,RRAMとGRAMをカスケードする場合,本手法は最先端(SOTA)手法よりも優れる。さらに,提案手法により画像レベルの分類やスメアレベルの分類が容易になることを示す。コードとトレーニングされたモデルはhttps://github.com/CVIU-CSU/CR4CACDで公開されている。

関連論文リスト

UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
論文参考訳（メタデータ） (2023-11-28T09:14:55Z)
Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文参考訳（メタデータ） (2023-11-28T08:34:58Z)
Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文参考訳（メタデータ） (2023-10-04T13:44:56Z)
CellGAN: Conditional Cervical Cell Synthesis for Augmenting Cytopathological Image Classification [11.255093167227928]
現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
論文参考訳（メタデータ） (2023-07-12T14:13:54Z)
DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell Detection and Counting [14.222014969736993]
マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。本稿では,細胞間における識別的特徴の活用を誘導することにより,物体検出を支援するガイド付き後部正則化(DeGPR)を提案する。 2つの公開データセットと、コントリビュートした新しいデータセットであるMuCeD上で、私たちのモデルを検証します。
論文参考訳（メタデータ） (2023-04-03T06:25:45Z)
OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文参考訳（メタデータ） (2023-03-23T08:57:11Z)
Oral cancer detection and interpretation: Deep multiple instance learning versus conventional deep single instance learning [2.2612425542955292]
口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
論文参考訳（メタデータ） (2022-02-03T15:04:26Z)
Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文参考訳（メタデータ） (2020-11-24T01:53:39Z)
Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文参考訳（メタデータ） (2020-06-11T17:29:53Z)
Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。