論文の概要: A Segmentation Method for fluorescence images without a machine learning
approach
- arxiv url: http://arxiv.org/abs/2212.13945v1
- Date: Wed, 28 Dec 2022 16:47:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 14:24:09.591503
- Title: A Segmentation Method for fluorescence images without a machine learning
approach
- Title(参考訳): 機械学習手法を用いない蛍光画像のセグメンテーション法
- Authors: Giuseppe Giacopelli and Michele Migliore and Domenico Tegolo
- Abstract要約: 本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。
この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Background: Image analysis applications in digital pathology include various
methods for segmenting regions of interest. Their identification is one of the
most complex steps, and therefore of great interest for the study of robust
methods that do not necessarily rely on a machine learning (ML) approach.
Method: A fully automatic and optimized segmentation process for different
datasets is a prerequisite for classifying and diagnosing Indirect
ImmunoFluorescence (IIF) raw data. This study describes a deterministic
computational neuroscience approach for identifying cells and nuclei. It is far
from the conventional neural network approach, but it is equivalent to their
quantitative and qualitative performance, and it is also solid to adversative
noise. The method is robust, based on formally correct functions, and does not
suffer from tuning on specific data sets. Results: This work demonstrates the
robustness of the method against the variability of parameters, such as image
size, mode, and signal-to-noise ratio. We validated the method on two datasets
(Neuroblastoma and NucleusSegData) using images annotated by independent
medical doctors. Conclusions: The definition of deterministic and formally
correct methods, from a functional to a structural point of view, guarantees
the achievement of optimized and functionally correct results. The excellent
performance of our deterministic method (NeuronalAlg) to segment cells and
nuclei from fluorescence images was measured with quantitative indicators and
compared with those achieved by three published ML approaches.
- Abstract(参考訳): 背景: デジタル病理学における画像解析の応用には、関心領域を分割する様々な方法が含まれる。
彼らの識別は最も複雑なステップの1つであり、必ずしも機械学習(ML)アプローチに依存しないロバストな手法の研究に大きな関心を持っている。
方法: 異なるデータセットに対する完全自動かつ最適化されたセグメンテーションプロセスは、間接免疫蛍光(IIF)原データの分類と診断の前提条件である。
本研究では,細胞と核を同定するための決定論的計算神経科学アプローチについて述べる。
従来のニューラルネットワークのアプローチとは程遠いが、その量的および質的なパフォーマンスと同等であり、逆のノイズにも強い。
この方法は、正式に正しい関数に基づいて堅牢であり、特定のデータセットのチューニングに支障を来さない。
結果:本研究は,画像サイズ,モード,信号対雑音比などのパラメータの変動に対する手法の堅牢性を示す。
独立診療医が注記した画像を用いて,Neuroblastoma と NucleusSegData の2つのデータセットで評価を行った。
結論: 機能的から構造的視点まで、決定論的および正式に正しいメソッドの定義は、最適化された、機能的に正しい結果の達成を保証する。
蛍光画像からのセグメント細胞と核に対する決定論的手法(NeuronalAlg)の優れた性能を定量的指標を用いて測定し、3つのMLアプローチによる評価と比較した。
関連論文リスト
- Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
高速な画像認識を実現するために,重みに基づく目的関数を提案する。
単純なアルゴリズムを用いたしきい値最適化手法を提案する。
異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
論文 参考訳(メタデータ) (2024-05-23T04:46:51Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - Two Approaches to Supervised Image Segmentation [55.616364225463066]
本研究は、深層学習とマルチセットニューロンのアプローチの比較実験を開発する。
ディープラーニングアプローチは、画像セグメンテーションの実行の可能性を確認した。
代替のマルチセット手法では、計算資源をほとんど必要とせずに精度を向上することができた。
論文 参考訳(メタデータ) (2023-07-19T16:42:52Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - 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) - Multiple Sclerosis Lesions Segmentation using Attention-Based CNNs in
FLAIR Images [0.2578242050187029]
多発性硬化症(Multiple Sclerosis、MS)は、中枢神経系の病変を引き起こす自己免疫性脱髄性疾患である。
今のところ、病変の分断には多要素自動バイオメディカルアプローチが多用されている。
著者らは1つのモダリティ(FLAIR画像)を用いてMS病変を正確に分類する方法を提案する。
論文 参考訳(メタデータ) (2022-01-05T21:37:43Z) - Deep Learning based Multi-modal Computing with Feature Disentanglement
for MRI Image Synthesis [8.363448006582065]
本稿では,MRI合成のための深層学習に基づくマルチモーダル計算モデルを提案する。
提案手法は,各入力モダリティを,共有情報と特定の情報を持つモダリティ固有空間で分割する。
テストフェーズにおける目標モダリティの特定情報の欠如に対処するために、局所適応融合(laf)モジュールを採用してモダリティライクな擬似ターゲットを生成する。
論文 参考訳(メタデータ) (2021-05-06T17:22:22Z) - Learning Fuzzy Clustering for SPECT/CT Segmentation via Convolutional
Neural Networks [5.3123694982708365]
QBSPECT(Quantitative bone single-photon emission Computed Tomography)は、平面骨シンチグラフィよりも骨転移をより定量的に評価する可能性を秘めています。
解剖学的領域-関心(ROI)のセグメント化は、まだ専門家による手動の記述に大きく依存しています。
本研究では,QBSPECT画像を病変,骨,背景に分割するための高速かつ堅牢な自動分割法を提案する。
論文 参考訳(メタデータ) (2021-04-17T19:03:52Z) - Sickle-cell disease diagnosis support selecting the most appropriate
machinelearning method: Towards a general and interpretable approach for
cellmorphology analysis from microscopy images [0.0]
本稿では,最先端技術に基づく分類手法と特徴の選択手法を提案する。
当科では,他の研究例に応用できる病原体疾患のサンプルを用いて検討した。
論文 参考訳(メタデータ) (2020-10-09T11:46:38Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳(メタデータ) (2020-07-24T14:02:09Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z)
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。