Fugu-MT 論文翻訳(概要): Multi tasks RetinaNet for mitosis detection

論文の概要: Multi tasks RetinaNet for mitosis detection

arxiv url: http://arxiv.org/abs/2208.12657v1
Date: Fri, 26 Aug 2022 13:06:54 GMT
ステータス: 処理完了
システム内更新日: 2022-08-29 13:05:36.988381
Title: Multi tasks RetinaNet for mitosis detection
Title（参考訳）: ミトコンドリア検出のためのマルチタスクRetinaNet
Authors: Chen Yang, Wang Ziyue, Fang Zijie, Bian Hao, Zhang Yongbing
Abstract要約: ベースライン(Retinanet)に基づく前景検出と腫瘍分類タスクを提案する。我々は、挑戦的な出生前テストデータセット上で、最先端のパフォーマンス(F1スコア:0.5809)を達成する。
参考スコア（独自算出の注目度）: 1.814999453940693
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The account of mitotic cells is a key feature in tumor diagnosis. However, due to the variability of mitotic cell morphology, it is a highly challenging task to detect mitotic cells in tumor tissues. At the same time, although advanced deep learning method have achieved great success in cell detection, the performance is often unsatisfactory when tested data from another domain (i.e. the different tumor types and different scanners). Therefore, it is necessary to develop algorithms for detecting mitotic cells with robustness in domain shifts scenarios. Our work further proposes a foreground detection and tumor classification task based on the baseline(Retinanet), and utilizes data augmentation to improve the domain generalization performance of our model. We achieve the state-of-the-art performance (F1 score: 0.5809) on the challenging premilary test dataset.
Abstract（参考訳）: 分裂細胞の説明は腫瘍診断における重要な特徴である。しかし、分裂細胞の形態の変化により、腫瘍組織中の分裂細胞を検出することは非常に難しい課題である。同時に、高度な深層学習法は細胞検出において大きな成功をおさめたが、他のドメインからのデータ(腫瘍の種類やスキャナの違いなど)をテストすると、その性能は満足できないことが多い。したがって、ドメインシフトシナリオにおいて、ロバスト性を持つ分裂細胞を検出するアルゴリズムを開発する必要がある。さらに,本研究は,ベースライン(retinanet)に基づく前景検出および腫瘍分類タスクを提案し,データ拡張により,このモデルのドメイン汎化性能を向上させる。難解な事前テストデータセット上での最先端のパフォーマンス(f1スコア: 0.5809)を達成する。

関連論文リスト

StRegA: Unsupervised Anomaly Detection in Brain MRIs using a Compact Context-encoding Variational Autoencoder [48.2010192865749]
教師なし異常検出(UAD)は、健康な被験者の異常なデータセットからデータ分布を学習し、分布サンプルの抽出に応用することができる。本研究では,コンテクストエンコーディング(context-encoding)VAE(ceVAE)モデルのコンパクトバージョンと,前処理と後処理のステップを組み合わせて,UADパイプライン(StRegA)を作成することを提案する。提案したパイプラインは、BraTSデータセットのT2w画像と0.859$pm$0.112の腫瘍を検出しながら、Diceスコアが0.642$pm$0.101に達した。
論文参考訳（メタデータ） (2022-01-31T14:27:35Z)
EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文参考訳（メタデータ） (2022-01-13T05:24:40Z)
Bone Marrow Cell Recognition: Training Deep Object Detection with A New Loss Function [10.34651590388805]
本稿では,新規なロス関数を最小化して学習したYOLOv5ネットワークに基づく骨髄細胞検出アルゴリズムを提案する。提案する新規損失関数は,骨髄のクラス間の類似性を考慮し,異種クラス間の予測エラーに対するペナルティを増大させ,類似クラス間の予測エラーに対するペナルティを減少させる。その結果, 提案した損失関数はアルゴリズムの性能を効果的に向上し, 提案した骨髄細胞検出アルゴリズムは他の細胞検出アルゴリズムよりも優れた性能を示した。
論文参考訳（メタデータ） (2021-10-25T05:17:04Z)
Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
論文参考訳（メタデータ） (2021-09-17T17:31:25Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文参考訳（メタデータ） (2021-08-08T11:26:34Z)
Cell abundance aware deep learning for cell detection on highly imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文参考訳（メタデータ） (2021-02-23T13:07:52Z)
A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。 2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文参考訳（メタデータ） (2021-01-27T22:40:33Z)
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)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Deep Feature Fusion for Mitosis Counting [0.0]
有糸分裂細胞数は、乳がんの攻撃性または品位を評価する最も一般的な検査の1つである。ディープラーニングネットワークは、興味のある領域を自動的にローカライズできる医療アプリケーションに適用されている。提案手法は,オブジェクト検出のための高速RCNNを利用して,RGB画像特徴を持つUNetによって生成されたセグメンテーション機能を融合させ,MITOS-ATYPIA 2014 mitosis counting Challengeデータセット上で0.508のFスコアを達成する。
論文参考訳（メタデータ） (2020-02-01T20:20:00Z)

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。