論文の概要: Nuclear Segmentation and Classification: On Color & Compression Generalization

• arxiv url: http://arxiv.org/abs/2301.03418v1
• Date: Mon, 9 Jan 2023 15:14:48 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 16:34:49.450716
• Title: Nuclear Segmentation and Classification: On Color & Compression Generalization
• Title（参考訳）: 核セグメンテーションと分類:色と圧縮の一般化について
• Authors: Quoc Dang Vu, Robert Jewsbury, Simon Graham, Mostafa Jahanifar, Shan E Ahmed Raza, Fayyaz Minhas, Abhir Bhalerao, Nasir Rajpoot
• Abstract要約: この問題に対する最大の計算病理学的課題であるCoNICの課題から, 核分割・分類モデル7の堅牢性を評価する。 ドメインシフト問題に対処するために染色正規化を用いることは、モデルの性能を損なう可能性がある。 一方、ニューラルスタイルのトランスファーは、野生において大きな色のバリエーションを示す場合、テスト性能を改善するためにより一貫性がある。
• 参考スコア（独自算出の注目度）: 5.003626602732884
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Since the introduction of digital and computational pathology as a field, one of the major problems in the clinical application of algorithms has been the struggle to generalize well to examples outside the distribution of the training data. Existing work to address this in both pathology and natural images has focused almost exclusively on classification tasks. We explore and evaluate the robustness of the 7 best performing nuclear segmentation and classification models from the largest computational pathology challenge for this problem to date, the CoNIC challenge. We demonstrate that existing state-of-the-art (SoTA) models are robust towards compression artifacts but suffer substantial performance reduction when subjected to shifts in the color domain. We find that using stain normalization to address the domain shift problem can be detrimental to the model performance. On the other hand, neural style transfer is more consistent in improving test performance when presented with large color variations in the wild.
• Abstract（参考訳）: デジタルおよび計算病理学の分野として導入されて以来、アルゴリズムの臨床応用における大きな問題の1つは、トレーニングデータの分布外の例にうまく一般化することである。 病理学と自然画像の両方でこれに対処する既存の作業は、ほとんどが分類タスクに焦点を当てている。 この問題に対する最大の計算病理学的課題であるCoNICの課題から, 核分割・分類モデル7の堅牢性について検討し, 評価を行った。 既存のSoTAモデルが圧縮アーチファクトに対して堅牢であるが,カラー領域のシフトを受けると性能が著しく低下することが実証された。 ドメインシフト問題に対処するために染色正規化を用いることは、モデルの性能を損なう可能性がある。 一方、ニューラルスタイルトランスファーは、野生で大きな色の変化を示すとき、テストパフォーマンスを改善するのにより一貫性がある。

関連論文リスト

• Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
  染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。 大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:50:30Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• Generative Adversarial Networks for Stain Normalisation in Histopathology [2.2166690647926037]
  現在の研究における重要な障害の1つは、デジタル病理画像間の高レベルの視覚的変動である。 Sten normalization は、画像の構造的内容を変更することなく、デジタル病理画像の視覚的プロファイルを標準化することを目的としている。 研究者は、病理画像を効率的に正規化し、AIモデルをより堅牢で一般化可能にする方法を見つけることを目的としている。
  論文  参考訳（メタデータ） (2023-08-05T11:38:05Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
  HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。 合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
  論文  参考訳（メタデータ） (2022-10-18T12:22:26Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)
• MitoDet: Simple and robust mitosis detection [0.31498833540989407]
  ドメインシフトの重要なソースは、異なる顕微鏡とそのカメラシステムによって導入され、デジタル化された画像の色表現が顕著に変化する。 このアルゴリズムは,強いデータ拡張を訓練したRetinaNetを用いて,予備テストセットで0.7138のF1スコアを達成している。
  論文  参考訳（メタデータ） (2021-09-02T17:19:08Z)
• 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)
• Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
  我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-14T16:50:50Z)
• Robust Retinal Vessel Segmentation from a Data Augmentation Perspective [14.768009562830004]
  本稿では,チャネルワイドなガンマ補正とチャネルワイドなランダムな血管拡張という2つの新しいデータ拡張モジュールを提案する。 これら2つのモジュールを逐次適用することによって生成された追加のトレーニングサンプルによって、モデルはより不変かつ識別的な特徴を学ぶことができる。 実世界のデータセットと合成データセットの両方の実験結果から,従来の畳み込みニューラルネットワークアーキテクチャの性能と堅牢性の向上が実証された。
  論文  参考訳（メタデータ） (2020-07-31T07:37:14Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。