Fugu-MT 論文翻訳(概要): A Data-Efficient Deep Learning Framework for Segmentation and Classification of Histopathology Images

論文の概要: A Data-Efficient Deep Learning Framework for Segmentation and Classification of Histopathology Images

arxiv url: http://arxiv.org/abs/2207.06489v1
Date: Wed, 13 Jul 2022 19:23:49 GMT
ステータス: 処理完了
システム内更新日: 2022-07-16 07:59:48.791798
Title: A Data-Efficient Deep Learning Framework for Segmentation and Classification of Histopathology Images
Title（参考訳）: 病理画像の分類・分類のためのデータ効率の良い深層学習フレームワーク
Authors: Pranav Singh and Jacopo Cirrone
Abstract要約: 自己免疫疾患では、細胞型が組織レベルで炎症に関与するかについて、主要な研究課題が残っている。本稿では,皮膚筋炎生検を用いて炎症細胞を検出・同定する深層学習手法を実証的に開発する。本稿では,セグメンテーション性能を3%向上するポストプロセッシングオートエンコーダアーキテクチャを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The current study of cell architecture of inflammation in histopathology images commonly performed for diagnosis and research purposes excludes a lot of information available on the biopsy slide. In autoimmune diseases, major outstanding research questions remain regarding which cell types participate in inflammation at the tissue level,and how they interact with each other. While these questions can be partially answered using traditional methods, artificial intelligence approaches for segmentation and classification provide a much more efficient method to understand the architecture of inflammation in autoimmune disease, holding a great promise for novel insights. In this paper, we empirically develop deep learning approaches that uses dermatomyositis biopsies of human tissue to detect and identify inflammatory cells. Our approach improves classification performance by 26% and segmentation performance by 5%. We also propose a novel post-processing autoencoder architecture that improves segmentation performance by an additional 3%. We have open-sourced our approach and architecture at https://github.com/pranavsinghps1/DEDL
Abstract（参考訳）: 診断および研究目的で一般的に行われる病理組織像における炎症の細胞構造に関する最近の研究は、生検スライドで得られる多くの情報を排除している。自己免疫疾患では、細胞型が組織レベルで炎症に関与するか、どのように相互作用するかについて、主要な研究課題が残っている。これらの質問は、従来の方法で部分的に答えられるが、セグメンテーションと分類に対する人工知能のアプローチは、自己免疫疾患の炎症のアーキテクチャを理解するためのより効率的な方法を提供する。本稿では,ヒト組織の皮膚筋炎生検を用いて炎症細胞を検出し同定する深層学習法を経験的に開発する。本手法は分類性能を26%改善し,セグメンテーション性能を5%向上させる。また,セグメンテーション性能を3%向上させる新しい後処理オートエンコーダアーキテクチャを提案する。私たちはアプローチとアーキテクチャをhttps://github.com/pranavsinghps1/DEDLでオープンソース化しました。

関連論文リスト

HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文参考訳（メタデータ） (2024-08-16T17:19:07Z)
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)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
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)
Two-stage Joint Transductive and Inductive learning for Nuclei Segmentation [3.138395828947902]
我々は、利用可能なラベル付きおよび非ラベル付きデータを活用する、核分割に対する新しいアプローチを提案する。提案手法の有効性と可能性を実証するために,MoNuSegベンチマークに対するアプローチを評価した。
論文参考訳（メタデータ） (2023-11-15T08:37:11Z)
Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文参考訳（メタデータ） (2023-10-11T05:49:47Z)
Enhancing Medical Image Segmentation: Optimizing Cross-Entropy Weights and Post-Processing with Autoencoders [10.59457299493644]
本稿では,医用画像セグメンテーションに適した深層学習手法を提案する。提案手法は,U-Netでは平均12.26%,U-Net++では12.04%,皮膚筋炎データセットではResNetファミリーのエンコーダでは平均12.26%,最先端技術では12.04%に優れていた。
論文参考訳（メタデータ） (2023-08-21T06:09:00Z)
Learning Through Guidance: Knowledge Distillation for Endoscopic Image Classification [40.366659911178964]
内視鏡は消化管(GI)の根底にある異常を同定する上で重要な役割を担っている。ディープラーニング、特にCNN(Convolution Neural Networks)は、従来の機能エンジニアリングを使わずに自動機能学習を実行するように設計されている。 KDに基づく3つの学習フレームワーク、応答ベース、特徴ベース、関係ベースメカニズムについて検討し、関係ベース学習を支援するために、新しい多面的注意型特徴融合機構を導入する。
論文参考訳（メタデータ） (2023-08-17T02:02:11Z)
A Stronger Baseline For Automatic Pfirrmann Grading Of Lumbar Spine MRI Using Deep Learning [2.724641898087941]
本稿では,Deep Learning を用いた腰椎MRIにおける視機能評価の課題について述べる。セマンティックセグメンテーション, ローカライゼーション, 分類を含む, 十分に調整された3段階パイプラインでは, 畳み込みネットワークは最先端のアプローチよりも優れていると論じる。私たちのコードは、椎間板変性と腰痛の研究を進めるために公開されています。
論文参考訳（メタデータ） (2022-10-26T10:12:21Z)
fMRI from EEG is only Deep Learning away: the use of interpretable DL to unravel EEG-fMRI relationships [68.8204255655161]
多チャンネル脳波データからいくつかの皮質下領域の活性を回復するための解釈可能な領域基底解を提案する。我々は,皮質下核の血行動態信号の頭皮脳波予測の空間的・時間的パターンを復元する。
論文参考訳（メタデータ） (2022-10-23T15:11:37Z)
Opportunities and Challenges of Deep Learning Methods for Electrocardiogram Data: A Systematic Review [62.490310870300746]
心電図(Electrocardiogram、ECG)は、医学および医療において最も一般的に用いられる診断ツールの1つである。深層学習法は心電図信号を用いた予測医療タスクにおいて有望な結果を得た。本稿では、モデリングとアプリケーションの観点から、ECGデータに対するディープラーニング手法の体系的なレビューを行う。
論文参考訳（メタデータ） (2019-12-28T02:44:29Z)

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。