Fugu-MT 論文翻訳(概要): A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification

論文の概要: A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification

arxiv url: http://arxiv.org/abs/2212.13401v1
Date: Tue, 27 Dec 2022 08:12:42 GMT
ステータス: 処理完了
システム内更新日: 2022-12-29 14:26:14.398583
Title: A Novel Dataset and a Deep Learning Method for Mitosis Nuclei Segmentation and Classification
Title（参考訳）: 分裂核の分節と分類のための新しいデータセットと深層学習法
Authors: Huadeng Wang, Zhipeng Liu, Rushi Lan, Zhenbing Liu, Xiaonan Luo, Xipeng Pan, and Bingbing Li
Abstract要約: ミトコンドリア核数(Mitosis nuclear count)は乳癌の病理診断における重要な指標の1つである。そこで本研究では,SCMitosisという2段階のミトーシスセグメンテーションと分類法を提案する。提案モデルはICPR 2012データセット上で検証され、最高Fスコア値は0.8687である。
参考スコア（独自算出の注目度）: 10.960222475663006
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Mitosis nuclei count is one of the important indicators for the pathological diagnosis of breast cancer. The manual annotation needs experienced pathologists, which is very time-consuming and inefficient. With the development of deep learning methods, some models with good performance have emerged, but the generalization ability should be further strengthened. In this paper, we propose a two-stage mitosis segmentation and classification method, named SCMitosis. Firstly, the segmentation performance with a high recall rate is achieved by the proposed depthwise separable convolution residual block and channel-spatial attention gate. Then, a classification network is cascaded to further improve the detection performance of mitosis nuclei. The proposed model is verified on the ICPR 2012 dataset, and the highest F-score value of 0.8687 is obtained compared with the current state-of-the-art algorithms. In addition, the model also achieves good performance on GZMH dataset, which is prepared by our group and will be firstly released with the publication of this paper. The code will be available at: https://github.com/antifen/mitosis-nuclei-segmentation.
Abstract（参考訳）: ミトコンドリア核数(Mitosis nuclear count)は乳癌の病理診断における重要な指標の1つである。手動アノテーションには経験豊富な病理学者が必要であり、非常に時間がかかり、非効率である。ディープラーニング手法の開発により、優れた性能を持つモデルがいくつか登場したが、一般化能力はさらに強化されるべきである。本稿では,SCMitosisという2段階のミトーシスセグメンテーションと分類法を提案する。まず, 奥行き分離可能な畳み込み残差ブロックとチャネル空間注意ゲートにより, 高いリコールレートでセグメント化性能を実現する。そして、分類ネットワークをカスケードして、ミトーシス核の検出性能をさらに向上させる。提案手法はICPR 2012データセット上で検証され,現在の最先端アルゴリズムと比較して高いFスコア値0.8687が得られた。また,本モデルでは,GZMHデータセットの性能も向上し,本論文の公開とともにまず公開する。コードはhttps://github.com/antifen/mitosis-nuclei-segmentation.com/で入手できる。

関連論文リスト

SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文参考訳（メタデータ） (2023-03-15T01:30:48Z)
A novel dataset and a two-stage mitosis nuclei detection method based on hybrid anchor branch [12.701748529240183]
有糸分裂検出のための2段階カスケードネットワークFoCasNetを提案する。第1段階では、可能な限り多くのミトースを検出するために、M_detと呼ばれる検出ネットワークが提案されている。第2段階では、第1段階の結果を洗練させるために分類ネットワークM_classを提案する。
論文参考訳（メタデータ） (2023-01-18T16:11:09Z)
Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文参考訳（メタデータ） (2022-10-19T15:15:32Z)
ReCasNet: Improving consistency within the two-stage mitosis detection framework [5.263015177621435]
既存のアプローチでは、潜在的な有糸分裂細胞の位置を特定するための検出ステージと、予測信頼性を精査するための分類ステージという、2段階のパイプラインが使用されている。このパイプライン定式化は、検出段階の予測品質の低下と、トレーニングデータ分布のミスマッチによる分類段階の不整合につながる可能性がある。 Refine Cascade Network(ReCasNet)は,先述した問題を3つの改善で軽減する,拡張されたディープラーニングパイプラインである。
論文参考訳（メタデータ） (2022-02-28T16:03:14Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
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)
An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
論文参考訳（メタデータ） (2020-12-06T18:55:07Z)
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)
Mitosis Detection Under Limited Annotation: A Joint Learning Approach [5.117836409118142]
深層学習に基づく有糸分裂検出は病理学者と同等であるが、トレーニングには大きなラベル付きデータが必要である。そこで本研究では,距離距離メトリック学習を用いて,軟弱損失によるクラスラベル情報とサンプル間の空間分布情報を活用することで,ミトーシス検出の深層分類フレームワークを提案する。本フレームワークは,トレーニングデータ全体の使用方法と比較して,少ないトレーニングデータによる検出を著しく改善し,同等あるいは優れたパフォーマンスを実現している。
論文参考訳（メタデータ） (2020-06-17T10:46:29Z)
A generic ensemble based deep convolutional neural network for semi-supervised medical image segmentation [7.141405427125369]
深層畳み込みニューラルネットワーク(DCNN)に基づく画像セグメンテーションのための汎用的な半教師付き学習フレームワークを提案する。本手法は,ラベルなしデータを組み込むことで,完全教師付きモデル学習を超えて大幅に改善することができる。
論文参考訳（メタデータ） (2020-04-16T23:41:50Z)
Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。