Fugu-MT 論文翻訳(概要): Stain-Robust Mitotic Figure Detection for MIDOG 2022 Challenge

論文の概要: Stain-Robust Mitotic Figure Detection for MIDOG 2022 Challenge

arxiv url: http://arxiv.org/abs/2208.12587v1
Date: Fri, 26 Aug 2022 11:14:59 GMT
ステータス: 処理完了
システム内更新日: 2022-08-29 13:07:27.243786
Title: Stain-Robust Mitotic Figure Detection for MIDOG 2022 Challenge
Title（参考訳）: MIDOG 2022チャレンジのためのステイン・ローバスト・ミトティック・フィギュア検出
Authors: Mostafa Jahanifar, Adam Shephard, Neda Zamanitajeddin, Shan E Ahmed Raza, Nasir Rajpoot
Abstract要約: Mitosis DOmain Generalization (MIDOG) 2022の課題は、目に見えないデータに対する検出モデルの堅牢性をテストすることである。この課題に対処するために,TAAセンターチームが採用したアプローチの概要を紹介する。
参考スコア（独自算出の注目度）: 1.7901498028817644
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The detection of mitotic figures from different scanners/sites remains an important topic of research, owing to its potential in assisting clinicians with tumour grading. The MItosis DOmain Generalization (MIDOG) 2022 challenge aims to test the robustness of detection models on unseen data from multiple scanners and tissue types for this task. We present a short summary of the approach employed by the TIA Centre team to address this challenge. Our approach is based on a hybrid detection model, where mitotic candidates are segmented, before being refined by a deep learning classifier. Cross-validation on the training images achieved the F1-score of 0.816 and 0.784 on the preliminary test set, demonstrating the generalizability of our model to unseen data from new scanners.
Abstract（参考訳）: 異なるスキャナー/サイトからの僧帽弁像の検出は,臨床医の腫瘍診断支援の可能性から,重要な研究課題である。 Mitosis DOmain Generalization (MIDOG) 2022の課題は、複数のスキャナーや組織タイプから見えないデータに対する検出モデルの堅牢性をテストすることである。この課題に対処するために,TAAセンターチームが採用したアプローチの概要を紹介する。我々のアプローチは、深層学習分類器によって洗練される前に、分裂候補をセグメント化するハイブリッド検出モデルに基づいている。トレーニング画像のクロスバリデーションは予備テストセットで0.816, 0.784のf1-scoreを達成し,新しいスキャナからデータを取得するための汎用性を示した。

関連論文リスト

Improving mitosis detection on histopathology images using large vision-language models [0.6144680854063939]
特定の種類の癌組織では、有糸分裂数は腫瘍の増殖、予後不良、治療抵抗と関係があることが示されている。病理学者によるミオトーシス計数の高度変動により、ヘマトキシリンとエオシン(H&E)による全スライド画像のミオトーシス検出の主観性を低減するために畳み込みニューラルネットワーク(CNN)が用いられている。本研究では,視覚的特徴と自然言語の両方を活用する大規模視覚言語モデルにより,ミトーシス検出精度が向上することが実証された。
論文参考訳（メタデータ） (2023-10-11T04:00:17Z)
Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文参考訳（メタデータ） (2023-08-31T05:05:53Z)
Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文参考訳（メタデータ） (2023-01-24T17:54:01Z)
A novel dataset and a two-stage mitosis nuclei detection method based on hybrid anchor branch [12.701748529240183]
有糸分裂検出のための2段階カスケードネットワークFoCasNetを提案する。第1段階では、可能な限り多くのミトースを検出するために、M_detと呼ばれる検出ネットワークが提案されている。第2段階では、第1段階の結果を洗練させるために分類ネットワークM_classを提案する。
論文参考訳（メタデータ） (2023-01-18T16:11:09Z)
A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification [10.960222475663006]
ミトコンドリア核数(Mitosis nuclear count)は乳癌の病理診断における重要な指標の1つである。そこで本研究では,SCMitosisという2段階のミトーシスセグメンテーションと分類法を提案する。提案モデルはICPR 2012データセット上で検証され、最高Fスコア値は0.8687である。
論文参考訳（メタデータ） (2022-12-27T08:12:42Z)
Challenging mitosis detection algorithms: Global labels allow centroid localization [1.7382198387953947]
ミトコンドリア活性は、異なる種類のがんの診断と予後にとって重要なバイオマーカーである。本研究では,複雑なシナリオを避けることを提案し,パッチのイメージレベルラベルのみを用いて,ローカライズタスクを弱教師付きで実行する。 TUPAC16データセットで得られた結果は、ひとつのトレーニングフェーズのみを使用して、最先端の手法と競合する。
論文参考訳（メタデータ） (2022-11-30T09:52:26Z)
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)
Hybrid guiding: A multi-resolution refinement approach for semantic segmentation of gigapixel histopathological images [0.7490318169877296]
セマンティックセグメンテーションのための、H2G-Netと呼ばれるカスケード畳み込みニューラルネットワーク設計を提案する。設計にはパッチワイズ方式による検出段階と、畳み込みオートエンコーダを用いた改良段階が含まれる。最高の設計は90 WSIの独立したテストセットでDiceスコア0.933を達成した。
論文参考訳（メタデータ） (2021-12-07T02:31:29Z)
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)
DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
論文参考訳（メタデータ） (2020-08-19T06:02:46Z)
MetricUNet: Synergistic Image- and Voxel-Level Learning for Precise CT Prostate Segmentation via Online Sampling [66.01558025094333]
本稿では,前立腺領域を高速に局在させる第1段階と,前立腺領域を正確に区分する第2段階の2段階のフレームワークを提案する。マルチタスクネットワークにおけるボクセルワイドサンプリングによる新しいオンラインメトリック学習モジュールを提案する。本手法は,従来のクロスエントロピー学習法やDice損失学習法と比較して,より代表的なボクセルレベルの特徴を効果的に学習することができる。
論文参考訳（メタデータ） (2020-05-15T10:37:02Z)

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。