論文の概要: GradMix for nuclei segmentation and classification in imbalanced pathology image datasets

• arxiv url: http://arxiv.org/abs/2210.12938v1
• Date: Mon, 24 Oct 2022 03:54:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-25 21:09:45.200913
• Title: GradMix for nuclei segmentation and classification in imbalanced pathology image datasets
• Title（参考訳）: 不均衡画像データセットにおける核分割と分類のためのGradMix
• Authors: Tan Nhu Nhat Doan, Kyungeun Kim, Boram Song, and Jin Tae Kwak
• Abstract要約: 現在のディープラーニングベースのアプローチでは、病理学者による大量の注釈付きデータセットが必要となる。 既存のデータセットは、一般に異なる種類の核の間で不均衡であり、性能が著しく低下する。 本研究では, 原子核分割と分類に特化して設計されたGradMixと呼ばれる, 単純だが効果的なデータ拡張手法を提案する。
• 参考スコア（独自算出の注目度）: 2.2780974560958
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: An automated segmentation and classification of nuclei is an essential task in digital pathology. The current deep learning-based approaches require a vast amount of annotated datasets by pathologists. However, the existing datasets are imbalanced among different types of nuclei in general, leading to a substantial performance degradation. In this paper, we propose a simple but effective data augmentation technique, termed GradMix, that is specifically designed for nuclei segmentation and classification. GradMix takes a pair of a major-class nucleus and a rare-class nucleus, creates a customized mixing mask, and combines them using the mask to generate a new rare-class nucleus. As it combines two nuclei, GradMix considers both nuclei and the neighboring environment by using the customized mixing mask. This allows us to generate realistic rare-class nuclei with varying environments. We employed two datasets to evaluate the effectiveness of GradMix. The experimental results suggest that GradMix is able to improve the performance of nuclei segmentation and classification in imbalanced pathology image datasets.
• Abstract（参考訳）: 核の自動分割と分類は、デジタル病理学において重要な課題である。 現在のディープラーニングベースのアプローチは、病理学者による大量の注釈付きデータセットを必要とする。 しかし、既存のデータセットは一般に異なる種類の核の間で不均衡であり、性能が著しく低下する。 本稿では,核のセグメンテーションと分類のために特別に設計されたgradmixと呼ばれる,単純かつ効果的なデータ拡張手法を提案する。 gradmixは、主要なクラス核とレアクラス核のペアを取り、カスタマイズされたミキシングマスクを作成し、それらを組み合わせて新しいレアクラス核を生成する。 2つの核を組み合わせることで、gradmixはカスタマイズされたミキシングマスクを用いて、核と隣接環境の両方を考察する。 これにより、様々な環境下で現実的なレアクラスの核を生成することができる。 GradMixの有効性を評価するために2つのデータセットを使用した。 実験の結果, gradmixは不均衡病理画像データセットにおいて, 核セグメンテーションと分類の性能を向上できることが示唆された。

関連論文リスト

• NucleiMix: Realistic Data Augmentation for Nuclei Instance Segmentation [2.6954348706500766]
  NucleiMixは、データセット内のレアタイプの核の数を増やすことで、核種の分布のバランスをとるように設計されている。 第1段階では、希少型核の周囲に類似した候補位置を特定し、希少型核を候補部位に挿入する。 第2フェーズでは、事前訓練された拡散モデルを用いて、レアタイプの核を新しい環境にシームレスに統合するプログレッシブな塗布戦略を採用している。
  論文  参考訳（メタデータ） (2024-10-22T04:03:36Z)
• 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)
• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
  核の検出と分類は、疾患の診断に有効な情報を生み出す。 既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。 グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:50:48Z)
• DiffMix: Diffusion Model-based Data Synthesis for Nuclei Segmentation and Classification in Imbalanced Pathology Image Datasets [8.590026259176806]
  拡散モデルを用いた現実的なデータ合成法を提案する。 トレーニングデータの配布を拡大するために,仮想パッチを2種類生成する。 意味ラベル条件付き拡散モデルを用いて、現実的で高品質な画像サンプルを生成する。
  論文  参考訳（メタデータ） (2023-06-25T05:31:08Z)
• Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
  ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。 通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。 そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-20T14:53:26Z)
• InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation [29.78647170035808]
  本稿では,コピック・ペースト・スムース原理に従って,核セグメンテーションのための現実的なデータ拡張手法InsMixを提案する。 具体的には、拡張画像が原子核に関する豪華な情報を取得することができる形態的制約を提案する。 背景の画素冗長性をフル活用するために,背景パッチをランダムにシャッフルする背景摂動法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T08:58:05Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Nuclei Grading of Clear Cell Renal Cell Carcinoma in Histopathological Image by Composite High-Resolution Network [31.00452985964065]
  コンピュータ支援された核グレーディングは、病理学者の作業効率を改善し、誤診断率を減らすことを目的としている。 既存の核セグメンテーションと分類法のほとんどは、核グレーディングのクラス間類似性を扱えない。 ccRCC核グレーディングのための複合高分解能ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-20T07:32:26Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)

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。