論文の概要: Semi-supervised GAN for Bladder Tissue Classification in Multi-Domain
Endoscopic Images
- arxiv url: http://arxiv.org/abs/2212.11375v1
- Date: Wed, 21 Dec 2022 21:32:36 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:17:10.937542
- Title: Semi-supervised GAN for Bladder Tissue Classification in Multi-Domain
Endoscopic Images
- Title（参考訳）: 多次元内視鏡画像における膀胱組織分類のための半教師付きGAN
- Authors: Jorge F. Lazo, Benoit Rosa, Michele Catellani, Matteo Fontana,
Francesco A. Mistretta, Gennaro Musi, Ottavio de Cobelli, Michel de Mathelin
and Elena De Momi
- Abstract要約: 本稿では,3つの主要コンポーネントからなるGANに基づく半サプライズドジェネレーティブ・アドリアル・ネットワーク(GAN)を提案する。
組織分類法で得られた平均分類精度、精度、リコールは、それぞれ0.90, 0.88, 0.89である。
- 参考スコア（独自算出の注目度）: 10.48945682277992
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Objective: Accurate visual classification of bladder tissue during
Trans-Urethral Resection of Bladder Tumor (TURBT) procedures is essential to
improve early cancer diagnosis and treatment. During TURBT interventions, White
Light Imaging (WLI) and Narrow Band Imaging (NBI) techniques are used for
lesion detection. Each imaging technique provides diverse visual information
that allows clinicians to identify and classify cancerous lesions. Computer
vision methods that use both imaging techniques could improve endoscopic
diagnosis. We address the challenge of tissue classification when annotations
are available only in one domain, in our case WLI, and the endoscopic images
correspond to an unpaired dataset, i.e. there is no exact equivalent for every
image in both NBI and WLI domains. Method: We propose a semi-surprised
Generative Adversarial Network (GAN)-based method composed of three main
components: a teacher network trained on the labeled WLI data; a
cycle-consistency GAN to perform unpaired image-to-image translation, and a
multi-input student network. To ensure the quality of the synthetic images
generated by the proposed GAN we perform a detailed quantitative, and
qualitative analysis with the help of specialists. Conclusion: The overall
average classification accuracy, precision, and recall obtained with the
proposed method for tissue classification are 0.90, 0.88, and 0.89
respectively, while the same metrics obtained in the unlabeled domain (NBI) are
0.92, 0.64, and 0.94 respectively. The quality of the generated images is
reliable enough to deceive specialists. Significance: This study shows the
potential of using semi-supervised GAN-based classification to improve bladder
tissue classification when annotations are limited in multi-domain data.
- Abstract（参考訳）: 目的:膀胱腫瘍(TURBT)手術における膀胱組織の正確な視覚的分類は早期癌の診断と治療に不可欠である。
TURBTの介入中、病変検出にはホワイトライトイメージング(WLI)とナローバンドイメージング(NBI)技術が使用される。
それぞれの画像技術は多様な視覚情報を提供し、臨床医ががん病変を識別し分類することができる。
両方の画像技術を使用するコンピュータビジョン手法は、内視鏡的診断を改善することができる。
アノテーションが1つのドメイン(wliの場合)でのみ使用可能な場合に、組織分類の課題に対処し、内視鏡的画像は、nbiおよびwliドメインの両方のイメージに対して正確な等価性を持たない、非ペア付きデータセットに対応する。
方法: ラベル付きwliデータで学習した教師ネットワーク, 画像対画像変換を行うサイクルコンシステンシーgan, 多入力学習ネットワークの3つの主成分からなる, 半サプリズド生成逆ネットワーク(gan)ベースの手法を提案する。
提案するganが生成する合成画像の品質を確保するために,専門家の助けを借りて,詳細な定量的,質的分析を行う。
結論: 組織分類法で得られた平均分類精度, 精度およびリコールは, それぞれ 0.90, 0.88, 0.89 であり, 未標識領域 (nbi) で得られた測定値は 0.92, 0.64, 0.94 である。
生成された画像の品質は、専門家を欺くのに十分信頼できる。
意義:本研究は,多ドメインデータでアノテーションが制限されている場合,半教師付きGAN分類を用いて膀胱組織分類を改善する可能性を示す。
関連論文リスト
- Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - 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) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Fluorescence angiography classification in colorectal surgery -- A
preliminary report [8.075715438276244]
本研究の目的は, 大腸組織を蛍光血管造影データに基づいて "perfused" あるいは "not perfused" と分類する人工知能アルゴリズムを開発することである。
アルゴリズムをデプロイするWebベースのアプリが利用可能になった。
論文 参考訳（メタデータ） (2022-06-13T07:10:59Z) - Preservation of High Frequency Content for Deep Learning-Based Medical
Image Classification [74.84221280249876]
大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。
本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
論文 参考訳（メタデータ） (2022-05-08T15:29:54Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳（メタデータ） (2021-08-05T09:31:46Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Joint Learning of Vessel Segmentation and Artery/Vein Classification
with Post-processing [27.825969553813092]
血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。
我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。
実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
論文 参考訳（メタデータ） (2020-05-27T13:06:16Z)
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。