論文の概要: Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology Dataset

• arxiv url: http://arxiv.org/abs/2301.04423v1
• Date: Wed, 11 Jan 2023 12:02:10 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-12 17:48:43.331220
• Title: Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology Dataset
• Title（参考訳）: 犬の皮膚扁平上皮癌病理組織学データセット
• Authors: Frauke Wilm, Marco Fragoso, Christof A. Bertram, Nikolas Stathonikos, Mathias \"Ottl, Jingna Qiu, Robert Klopfleisch, Andreas Maier, Katharina Breininger, Marc Aubreville
• Abstract要約: 病理組織学では、スキャナによって誘導されるドメインシフトは、未知のデータでテストされた場合、トレーニングされたニューラルネットワークのパフォーマンスを妨げることが知られている。 犬皮膚扁平上皮癌の病理組織像のマルチスキャナーデータセットを公開している。
• 参考スコア（独自算出の注目度）: 6.309771474997404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In histopathology, scanner-induced domain shifts are known to impede the performance of trained neural networks when tested on unseen data. Multi-domain pre-training or dedicated domain-generalization techniques can help to develop domain-agnostic algorithms. For this, multi-scanner datasets with a high variety of slide scanning systems are highly desirable. We present a publicly available multi-scanner dataset of canine cutaneous squamous cell carcinoma histopathology images, composed of 44 samples digitized with five slide scanners. This dataset provides local correspondences between images and thereby isolates the scanner-induced domain shift from other inherent, e.g. morphology-induced domain shifts. To highlight scanner differences, we present a detailed evaluation of color distributions, sharpness, and contrast of the individual scanner subsets. Additionally, to quantify the inherent scanner-induced domain shift, we train a tumor segmentation network on each scanner subset and evaluate the performance both in- and cross-domain. We achieve a class-averaged in-domain intersection over union coefficient of up to 0.86 and observe a cross-domain performance decrease of up to 0.38, which confirms the inherent domain shift of the presented dataset and its negative impact on the performance of deep neural networks.
• Abstract（参考訳）: 病理組織学では、スキャナによって誘導されるドメインシフトは、未知のデータでテストした場合、トレーニングされたニューラルネットワークのパフォーマンスを妨げることが知られている。 ドメインの事前トレーニングや専用のドメイン一般化技術は、ドメインに依存しないアルゴリズムの開発に役立つ。 このために、多種多様なスライドスキャンシステムを持つマルチスキャナデータセットが非常に望ましい。 本稿では,犬皮膚扁平上皮癌の病理組織像のマルチスキャンデータセットを公開し,44例のサンプルを5例のスライドスキャナーでデジタル化した。 このデータセットは画像間の局所的な対応を提供し、それによってスキャナによって誘導されるドメインシフトを他の固有のドメインシフトから分離する。 スキャナの違いを強調するために,個々のスキャナサブセットの色分布,シャープネス,コントラストの詳細な評価を行う。 さらに,固有スキャナによるドメインシフトを定量化するために,各スキャナサブセット上の腫瘍分節ネットワークを訓練し,インドメインとクロスドメインの両方のパフォーマンスを評価する。 最大0.08の結合係数のクラス平均的インドメイン交叉を達成し、提示されたデータセットの固有領域シフトとディープニューラルネットワークの性能に負の影響を確認するクロスドメイン性能低下を観測する。

関連論文リスト

• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Multi-domain stain normalization for digital pathology: A cycle-consistent adversarial network for whole slide images [0.0]
  本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。 CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
  論文  参考訳（メタデータ） (2023-01-23T13:34:49Z)
• Mind the Gap: Scanner-induced domain shifts pose challenges for representation learning in histopathology [6.309771474997404]
  自己教師付き事前トレーニングは、腫瘍セグメンテーションの下流タスクにおいて、スキャナによるドメインシフトを克服するために使用することができる。 自己教師付き事前学習が様々なスキャナー表現の整列に成功し、興味深いことに、下流タスクに限られた利益をもたらすことが示される。
  論文  参考訳（メタデータ） (2022-11-29T12:16:39Z)
• Towards Measuring Domain Shift in Histopathological Stain Translation in an Unsupervised Manner [0.0]
  本稿では,PixelCNNとドメインシフト指標を用いて,デジタル病理学におけるドメインシフトの検出と定量化を行う。 発見は、(ソースデータに基づいてトレーニングされた)モデルの平均的なパフォーマンスを、目に見えないターゲットデータと遅延しないターゲットデータに基づいて推測するメカニズムの道を開く。
  論文  参考訳（メタデータ） (2022-05-09T15:18:12Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Quantifying the Scanner-Induced Domain Gap in Mitosis Detection [8.09551131543818]
  異なるスライドスキャナを用いて導入したドメインシフトに対する標準トポトーシス検出手法の感受性を評価する。 本研究は, 生物化学的変動ではなく, 純粋に取得装置の選択によるドメインシフトが過小評価されていることを示す。
  論文  参考訳（メタデータ） (2021-03-30T17:17:25Z)
• 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)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。