論文の概要: Valuing Vicinity: Memory attention framework for context-based semantic
segmentation in histopathology
- arxiv url: http://arxiv.org/abs/2210.11822v1
- Date: Fri, 21 Oct 2022 08:49:30 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-24 14:17:45.759731
- Title: Valuing Vicinity: Memory attention framework for context-based semantic
segmentation in histopathology
- Title(参考訳): 病理組織学における文脈に基づくセマンティックセグメンテーションのためのメモリアテンションフレームワーク
- Authors: Oliver Ester, Fabian H\"orst, Constantin Seibold, Julius Keyl, Saskia
Ting, Nikolaos Vasileiadis, Jessica Schmitz, Philipp Ivanyi, Viktor
Gr\"unwald, Jan Hinrich Br\"asen, Jan Egger, Jens Kleesiek
- Abstract要約: 詳細な種類の組織を同定することは、パーソナライズされたがん治療の提供に不可欠である。
本稿では,パッチ埋め込みメモリバンクから隣接する組織コンテキストを問い合わせるパッチ近傍の注意機構を提案する。
私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
- 参考スコア(独自算出の注目度): 0.8866112270350612
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The segmentation of histopathological whole slide images into tumourous and
non-tumourous types of tissue is a challenging task that requires the
consideration of both local and global spatial contexts to classify tumourous
regions precisely. The identification of subtypes of tumour tissue complicates
the issue as the sharpness of separation decreases and the pathologist's
reasoning is even more guided by spatial context. However, the identification
of detailed types of tissue is crucial for providing personalized cancer
therapies. Due to the high resolution of whole slide images, existing semantic
segmentation methods, restricted to isolated image sections, are incapable of
processing context information beyond. To take a step towards better context
comprehension, we propose a patch neighbour attention mechanism to query the
neighbouring tissue context from a patch embedding memory bank and infuse
context embeddings into bottleneck hidden feature maps. Our memory attention
framework (MAF) mimics a pathologist's annotation procedure -- zooming out and
considering surrounding tissue context. The framework can be integrated into
any encoder-decoder segmentation method. We evaluate the MAF on a public breast
cancer and an internal kidney cancer data set using famous segmentation models
(U-Net, DeeplabV3) and demonstrate the superiority over other
context-integrating algorithms -- achieving a substantial improvement of up to
$17\%$ on Dice score. The code is publicly available at:
https://github.com/tio-ikim/valuing-vicinity
- Abstract(参考訳): 組織像の組織像を腫瘍および非腫瘍組織に分割することは,局所的およびグローバルな空間的文脈から腫瘍領域を正確に分類することを必要とする課題である。
腫瘍組織のサブタイプを同定することは,分離の鋭さが減少し,病理医の推理が空間的文脈によってさらに導かれるため,問題を複雑にする。
しかし, パーソナライズされたがん治療のためには, 詳細な組織型の同定が重要である。
スライド画像全体の高解像度化のため、孤立した画像セクションに制限された既存のセマンティックセグメンテーション手法は、コンテキスト情報を処理できない。
より良いコンテキスト理解に向けた一歩を踏み出すため,我々は,パッチ埋め込みメモリバンクから隣接組織コンテキストを照会し,ボトルネック隠し機能マップにコンテキスト埋め込みを注入するパッチ近傍注意機構を提案する。
私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
このフレームワークは任意のエンコーダ/デコーダセグメンテーションメソッドに統合できる。
我々は,公共乳癌と内腎癌データセットのMAFを有名なセグメンテーションモデル(U-Net, DeeplabV3)を用いて評価し,他の文脈統合アルゴリズムよりも優れていることを示す。
コードは、https://github.com/tio-ikim/valuing-vicinity.comで公開されている。
関連論文リスト
- COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。
COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。
本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
論文 参考訳(メタデータ) (2024-04-19T12:09:49Z) - Train-Free Segmentation in MRI with Cubical Persistent Homology [0.0]
トポロジカルデータ解析(TDA)を用いたMRI画像の分割法について述べる。
これは3つのステップで機能し、まずは自動しきい値設定によってオブジェクト全体をセグメントに識別し、次に事前にトポロジが知られている特定の部分集合を検出し、最後にセグメンテーションの様々な成分を推論する。
脳MRIにおけるグリオブラスト腫分画の例について検討し、2次元スライスが円である胎児脳MRIにおいて、シリンダーを含む心臓MRIにおける心筋、および皮質プレート検出について検討した。
論文 参考訳(メタデータ) (2024-01-02T11:43:49Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳(メタデータ) (2023-01-12T08:19:46Z) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳(メタデータ) (2023-01-02T17:47:27Z) - BCS-Net: Boundary, Context and Semantic for Automatic COVID-19 Lung
Infection Segmentation from CT Images [83.82141604007899]
BCS-Netは、CT画像から自動的に新型コロナウイルスの肺感染症を分離するための新しいネットワークである。
BCS-Netはエンコーダ-デコーダアーキテクチャに従っており、多くの設計はデコーダのステージに焦点を当てている。
BCSRブロックでは、アテンション誘導グローバルコンテキスト(AGGC)モジュールがデコーダの最も価値のあるエンコーダ機能を学ぶように設計されている。
論文 参考訳(メタデータ) (2022-07-17T08:54:07Z) - A unified 3D framework for Organs at Risk Localization and Segmentation
for Radiation Therapy Planning [56.52933974838905]
現在の医療ワークフローは、OAR(Organs-at-risk)のマニュアル記述を必要とする
本研究は,OARローカライゼーション・セグメンテーションのための統合された3Dパイプラインの導入を目的とする。
提案手法は医用画像に固有の3Dコンテキスト情報の活用を可能にする。
論文 参考訳(メタデータ) (2022-03-01T17:08:41Z) - PAANet: Progressive Alternating Attention for Automatic Medical Image
Segmentation [11.392283602422442]
病気の位置を知ることは、治療と意思決定において重要な役割を果たす。
CNNベースのエンコーダ・デコーダ技術は、自動化された医用画像分割システムの性能を向上した。
本稿では,PAANet(Progressive alternating attention network)を提案する。
論文 参考訳(メタデータ) (2021-11-20T15:49:42Z) - Multipath CNN with alpha matte inference for knee tissue segmentation
from MRI [2.064612766965483]
本稿では, 深層学習に基づく膝組織分割のための自動セグメンテーションフレームワークを提案する。
低階テンソル再構成セグメンテーションネットワークとデコーダベースのセグメンテーションネットワークを組み合わせた,新しいマルチパスCNN方式を提案する。
CNNからのセグメンテーションをさらに改善するため、重畳された領域を効果的に活用するトリマップ生成を提案する。
論文 参考訳(メタデータ) (2021-09-29T07:48:47Z) - Robust Interactive Semantic Segmentation of Pathology Images with
Minimal User Input [1.5328185694137677]
組織像の異なる組織タイプを正確にアノテートするために,ユーザからの最小限の入力を必要とする,効率的なインタラクティブセグメンテーションネットワークを提案する。
提案手法は対話型アノテーション処理を高速化するだけでなく,既存の自動および対話型領域分割モデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2021-08-30T16:43:03Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。