論文の概要: EBHI-Seg: A Novel Enteroscope Biopsy Histopathological Haematoxylin and
Eosin Image Dataset for Image Segmentation Tasks
- arxiv url: http://arxiv.org/abs/2212.00532v2
- Date: Fri, 2 Dec 2022 08:26:21 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-05 13:26:25.588407
- Title: EBHI-Seg: A Novel Enteroscope Biopsy Histopathological Haematoxylin and
Eosin Image Dataset for Image Segmentation Tasks
- Title（参考訳）: EBHI-Seg : 新しい内視鏡生検組織学的ヘマトキシリンとエオシン画像データセット
- Authors: Liyu Shi, Xiaoyan Li, Weiming Hu, Haoyuan Chen, Jing Chen, Zizhen Fan,
Minghe Gao, Yujie Jing, Guotao Lu, Deguo Ma, Zhiyu Ma, Qingtao Meng, Dechao
Tang, Hongzan Sun, Marcin Grzegorzek, Shouliang Qi, Yueyang Teng, Chen Li
- Abstract要約: 大腸癌は一般的な致死性悪性腫瘍であり、男性では4番目に多いがんであり、世界でも3番目に多いがんである。
直腸がんの組織学的画像分割のためのデータセットが欠如しており、診断にコンピュータ技術を使用する場合、しばしば評価精度を損なう。
このデータセットは、大腸癌の診断のための新しいセグメンテーションアルゴリズムを研究者に提供することができる。
- 参考スコア（独自算出の注目度）: 21.17913442266469
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Purpose: Colorectal cancer is a common fatal malignancy, the
fourth most common cancer in men, and the third most common cancer in women
worldwide. Timely detection of cancer in its early stages is essential for
treating the disease. Currently, there is a lack of datasets for
histopathological image segmentation of rectal cancer, which often hampers the
assessment accuracy when computer technology is used to aid in diagnosis.
Methods: This present study provided a new publicly available Enteroscope
Biopsy Histopathological Hematoxylin and Eosin Image Dataset for Image
Segmentation Tasks (EBHI-Seg). To demonstrate the validity and extensiveness of
EBHI-Seg, the experimental results for EBHI-Seg are evaluated using classical
machine learning methods and deep learning methods. Results: The experimental
results showed that deep learning methods had a better image segmentation
performance when utilizing EBHI-Seg. The maximum accuracy of the Dice
evaluation metric for the classical machine learning method is 0.948, while the
Dice evaluation metric for the deep learning method is 0.965. Conclusion: This
publicly available dataset contained 5,170 images of six types of tumor
differentiation stages and the corresponding ground truth images. The dataset
can provide researchers with new segmentation algorithms for medical diagnosis
of colorectal cancer, which can be used in the clinical setting to help doctors
and patients.
- Abstract（参考訳）: 背景と目的:大腸癌は一般的な致死性悪性腫瘍であり、男性では4番目に多く、女性では3番目に多いがんである。
早期のがんのタイムリーな検出は、疾患の治療に不可欠である。
現在、直腸癌の病理組織学的画像分割のためのデータセットが不足しており、コンピュータ技術が診断に役立っている場合、しばしば評価精度を損なう。
方法: 本研究は, 画像分割作業 (ebhi-seg) のための, 新たに利用可能な腸鏡生検組織学的ヘマトキシリンおよびエオシン画像データセットを提供した。
EBHI-Segの有効性と拡張性を示すため,古典的な機械学習手法とディープラーニング手法を用いてEBHI-Segの実験結果を評価した。
結果: EBHI-Segを用いた場合, 深層学習法は画像分割性能が優れていた。
古典的機械学習法におけるサイス評価基準の最大精度は0.948であり、深層学習法におけるサイス評価基準は0.965である。
結論: この公開データセットは,6種類の腫瘍分化段階と対応する基底真理像の5,170枚の画像を含む。
このデータセットは、大腸癌の診断のための新しいセグメンテーションアルゴリズムを研究者に提供することができる。
関連論文リスト
- Multi-modal Medical Image Fusion For Non-Small Cell Lung Cancer Classification [7.002657345547741]
非小細胞肺癌(NSCLC)は、世界中のがん死亡の主な原因である。
本稿では, 融合医療画像(CT, PET)と臨床健康記録, ゲノムデータとを合成する, マルチモーダルデータの革新的な統合について紹介する。
NSCLCの検出と分類精度の大幅な向上により,本研究は既存のアプローチを超越している。
論文 参考訳（メタデータ） (2024-09-27T12:59:29Z) - Lung-CADex: Fully automatic Zero-Shot Detection and Classification of Lung Nodules in Thoracic CT Images [45.29301790646322]
コンピュータ支援診断は早期の肺結節の検出に役立ち、その後の結節の特徴づけを促進する。
MedSAMと呼ばれるSegment Anything Modelの変種を用いて肺結節をゼロショットでセグメント化するためのCADeを提案する。
また、放射能特徴のギャラリーを作成し、コントラスト学習を通じて画像と画像のペアを整列させることにより、良性/良性としての結節的特徴付けを行うCADxを提案する。
論文 参考訳（メタデータ） (2024-07-02T19:30:25Z) - ECPC-IDS:A benchmark endometrail cancer PET/CT image dataset for
evaluation of semantic segmentation and detection of hypermetabolic regions [7.420919215687338]
子宮内膜癌は女性の生殖系において最も一般的な腫瘍の1つである。
このデータセットは、多数の画像を持つ子宮内膜癌の最初の公開データセットである。
論文 参考訳（メタデータ） (2023-08-16T12:18:27Z) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - Lesion detection in contrast enhanced spectral mammography [0.0]
近年の乳房画像解析のためのニューラルネットワークモデルの出現は、コンピュータ支援診断における画期的な進歩である。
本研究は,CESMリコンビネート画像に対する深層学習に基づくコンピュータ支援診断開発を提案し,病変の検出と症例の分類を行う。
論文 参考訳（メタデータ） (2022-07-20T06:49:02Z) - EBHI:A New Enteroscope Biopsy Histopathological H&E Image Dataset for
Image Classification Evaluation [29.162527503224364]
大腸癌は世界で3番目に多いがんであり、がん患者の約10%を占めている。
本稿では,新たに公開された内視鏡生検生検生検生データ(EBHI)について報告する。
従来の機械学習手法は76.02%の最大精度を達成し、ディープラーニング手法は95.37%の最大精度を達成している。
論文 参考訳（メタデータ） (2022-02-17T09:53:02Z) - 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) - Machine Learning Methods for Histopathological Image Analysis: A Review [62.14548392474976]
病理組織像 (HIs) は癌診断における腫瘍の種類を評価するための金の基準である。
このような分析を高速化する方法の1つは、コンピュータ支援診断(CAD)システムを使用することである。
論文 参考訳（メタデータ） (2021-02-07T19:12:32Z) - 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) - Spatio-spectral deep learning methods for in-vivo hyperspectral
laryngeal cancer detection [49.32653090178743]
頭頸部腫瘍の早期発見は患者の生存に不可欠である。
ハイパースペクトルイメージング(HSI)は頭頸部腫瘍の非侵襲的検出に用いられる。
HSIに基づく喉頭癌診断のための複数の深層学習手法を提案する。
論文 参考訳（メタデータ） (2020-04-21T17:07:18Z) - Experimenting with Convolutional Neural Network Architectures for the
automatic characterization of Solitary Pulmonary Nodules' malignancy rating [0.0]
コンピュータ・トモグラフィ(CT)胸部CTにおける孤立性肺結節(SPN)の早期および自動診断は,早期治療と経時的治療からの医師の解放をもたらす可能性がある。
本研究では,PET/CTスキャナーから得られたCT画像における良性肺結節と悪性肺結節の診断的分類の問題点を考察する。
具体的には、実験的な畳み込みニューラルネットワーク(CNN)アーキテクチャを開発し、パラメータをチューニングし、その振る舞いを調べ、正確な分類のための最適な設定を定義する。
論文 参考訳（メタデータ） (2020-03-15T11:46:00Z)
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。
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。