論文の概要: Seeded iterative clustering for histology region identification

• arxiv url: http://arxiv.org/abs/2211.07425v1
• Date: Mon, 14 Nov 2022 14:56:27 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-15 16:08:51.143976
• Title: Seeded iterative clustering for histology region identification
• Title（参考訳）: 組織学領域同定のためのシード反復クラスタリング
• Authors: Eduard Chelebian and Francesco Ciompi and Carolina W\"ahlby
• Abstract要約: セグメンテーションのためのディープラーニングモデルは、プロセスを緩和する手段ですが、大量のトレーニングデータ、トレーニング時間、計算能力が必要です。 粗いセグメンテーションを高密度および全スライドレベルで生成するために, シード反復クラスタリングを提案する。 スライド画像全体に対する高密度アノテーションを高速かつ効果的に生成する手法と、トランスファーラーニングの文脈におけるニューラルネットワーク潜在表現の比較を可能にするフレームワークを得る。
• 参考スコア（独自算出の注目度）: 2.736903099429308
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Annotations are necessary to develop computer vision algorithms for histopathology, but dense annotations at a high resolution are often time-consuming to make. Deep learning models for segmentation are a way to alleviate the process, but require large amounts of training data, training times and computing power. To address these issues, we present seeded iterative clustering to produce a coarse segmentation densely and at the whole slide level. The algorithm uses precomputed representations as the clustering space and a limited amount of sparse interactive annotations as seeds to iteratively classify image patches. We obtain a fast and effective way of generating dense annotations for whole slide images and a framework that allows the comparison of neural network latent representations in the context of transfer learning.
• Abstract（参考訳）: 病理組織学のためのコンピュータビジョンアルゴリズムを開発するにはアノテーションが必要であるが、高解像度の高密度アノテーションは時間を要することが多い。 セグメンテーションのためのディープラーニングモデルは、プロセスを緩和する手段ですが、大量のトレーニングデータ、トレーニング時間、計算能力が必要です。 これらの問題に対処するため,我々は,粗いセグメンテーションを密に,スライドレベル全体に生成するために,シード型反復クラスタリングを提案する。 このアルゴリズムは、予め計算された表現をクラスタリング空間として使用し、限られた量のスパースインタラクティブアノテーションを種として、反復的にイメージパッチを分類する。 スライド画像全体に対する高密度アノテーションを高速かつ効果的に生成する手法と、トランスファーラーニングの文脈におけるニューラルネットワーク潜在表現の比較を可能にするフレームワークを得る。

関連論文リスト

• EmerDiff: Emerging Pixel-level Semantic Knowledge in Diffusion Models [52.3015009878545]
  我々は、追加の訓練をすることなく、きめ細かなセグメンテーションマップを生成できる画像セグメンタを開発した。 低次元特徴写像の空間的位置と画像画素間の意味的対応を同定する。 大規模な実験では、生成したセグメンテーションマップがよく説明され、画像の細部を捉えることが示されている。
  論文  参考訳（メタデータ） (2024-01-22T07:34:06Z)
• Learning Semantic Segmentation with Query Points Supervision on Aerial Images [57.09251327650334]
  セマンティックセグメンテーションアルゴリズムを学習するための弱教師付き学習アルゴリズムを提案する。 提案手法は正確なセマンティックセグメンテーションを行い,手作業のアノテーションに要するコストと時間を大幅に削減することで効率を向上する。
  論文  参考訳（メタデータ） (2023-09-11T14:32:04Z)
• Microscopy Image Segmentation via Point and Shape Regularized Data Synthesis [9.47802391546853]
  合成学習データを用いた顕微鏡画像セグメンテーションのための統一パイプラインを構築した。 本フレームワークは,濃密なラベルを持つ高精度な顕微鏡画像で訓練されたモデルと同等の結果が得られる。
  論文  参考訳（メタデータ） (2023-08-18T22:00:53Z)
• Unsupervised Segmentation of Fetal Brain MRI using Deep Learning Cascaded Registration [2.494736313545503]
  従来の深層学習に基づく自動セグメンテーションは、グランドトラストラベルによる広範なトレーニングデータを必要とする。 ラベル付きデータに頼らずに複数の組織を正確にセグメンテーションするマルチアトラスセグメンテーションに基づく新しい手法を提案する。 提案手法では,3次元画像登録のためのカスケード深層学習ネットワークを用いて,移動画像への小さなインクリメンタルな変形を計算し,それを固定画像と正確に整合させる。
  論文  参考訳（メタデータ） (2023-07-07T13:17:12Z)
• Learning from Partially Overlapping Labels: Image Segmentation under Annotation Shift [68.6874404805223]
  腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。 半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
  論文  参考訳（メタデータ） (2021-07-13T09:22:24Z)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• Group-Wise Semantic Mining for Weakly Supervised Semantic Segmentation [49.90178055521207]
  この研究は、画像レベルのアノテーションとピクセルレベルのセグメンテーションのギャップを埋めることを目標に、弱い監督されたセマンティックセグメンテーション(WSSS)に対処する。 画像群における意味的依存関係を明示的にモデル化し,より信頼性の高い擬似的基盤構造を推定する,新たなグループ学習タスクとしてWSSSを定式化する。 特に、入力画像がグラフノードとして表現されるグループ単位のセマンティックマイニングのためのグラフニューラルネットワーク(GNN)を考案する。
  論文  参考訳（メタデータ） (2020-12-09T12:40:13Z)
• 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)
• NINEPINS: Nuclei Instance Segmentation with Point Annotations [2.19221864553448]
  本稿では,ポイントアノテーションから自動生成される擬似ラベルセグメンテーションを用いたサンプルセグメンテーションのアルゴリズムを提案する。 生成されたセグメンテーションマスクを用いて、提案手法は、インスタンスセグメンテーションを実現するために、HoVer-Netモデルの修正版を訓練する。 実験結果から,提案手法はポイントアノテーションの不正確性に対して頑健であり,完全注釈付きインスタンスマスクを用いたHover-Netと比較すると,セグメンテーション性能の劣化が必ずしも組織分類などの高次タスクの劣化を意味するとは限らないことが示唆された。
  論文  参考訳（メタデータ） (2020-06-24T08:28:52Z)
• A Spatially Constrained Deep Convolutional Neural Network for Nerve Fiber Segmentation in Corneal Confocal Microscopic Images using Inaccurate Annotations [10.761046991755311]
  本研究では,スムーズかつロバストな画像分割を実現するために,空間拘束型深部畳み込みニューラルネットワーク(DCNN)を提案する。 提案手法は神経線維分節に対する角膜共焦点顕微鏡(CCM)画像に基づいて評価された。
  論文  参考訳（メタデータ） (2020-04-20T16:56:13Z)
• Weakly-Supervised Semantic Segmentation by Iterative Affinity Learning [86.45526827323954]
  弱教師付きセマンティックセグメンテーションは、トレーニングのためにピクセル単位のラベル情報が提供されないため、難しい課題である。 このようなペア関係を学習するための反復アルゴリズムを提案する。 本稿では,提案アルゴリズムが最先端手法に対して好適に動作することを示す。
  論文  参考訳（メタデータ） (2020-02-19T10:32:03Z)

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。