論文の概要: DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell
Detection and Counting
- arxiv url: http://arxiv.org/abs/2304.00741v1
- Date: Mon, 3 Apr 2023 06:25:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-04 16:25:11.413970
- Title: DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell
Detection and Counting
- Title(参考訳): DeGPR:マルチクラス細胞検出・カウントのためのディープガイド後正則化
- Authors: Aayush Kumar Tyagi, Chirag Mohapatra, Prasenjit Das, Govind Makharia,
Lalita Mehra, Prathosh AP, Mausam
- Abstract要約: マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。
本稿では,細胞間における識別的特徴の活用を誘導することにより,物体検出を支援するガイド付き後部正則化(DeGPR)を提案する。
2つの公開データセットと、コントリビュートした新しいデータセットであるMuCeD上で、私たちのモデルを検証します。
- 参考スコア(独自算出の注目度): 14.222014969736993
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-class cell detection and counting is an essential task for many
pathological diagnoses. Manual counting is tedious and often leads to
inter-observer variations among pathologists. While there exist multiple,
general-purpose, deep learning-based object detection and counting methods,
they may not readily transfer to detecting and counting cells in medical
images, due to the limited data, presence of tiny overlapping objects, multiple
cell types, severe class-imbalance, minute differences in size/shape of cells,
etc. In response, we propose guided posterior regularization (DeGPR), which
assists an object detector by guiding it to exploit discriminative features
among cells. The features may be pathologist-provided or inferred directly from
visual data. We validate our model on two publicly available datasets (CoNSeP
and MoNuSAC), and on MuCeD, a novel dataset that we contribute. MuCeD consists
of 55 biopsy images of the human duodenum for predicting celiac disease. We
perform extensive experimentation with three object detection baselines on
three datasets to show that DeGPR is model-agnostic, and consistently improves
baselines obtaining up to 9% (absolute) mAP gains.
- Abstract(参考訳): マルチクラス細胞検出とカウントは多くの病理診断に必須の課題である。
手動計数は面倒で、しばしば病理学者の間でのサーバ間差につながる。
複数の汎用的深層学習に基づく物体検出と計数方法が存在するが、限られたデータ、小さな重なり合った物体の存在、複数の細胞タイプ、重篤なクラス不均衡、細胞のサイズと形状の微妙な違いなどにより、医療画像中の細胞の検出と計数に容易に移行できない可能性がある。
そこで本研究では,細胞間における識別的特徴を活かし,物体検出を支援するガイド付き後正則化(DeGPR)を提案する。
これらの特徴は、病理学者によって提供されたり、視覚データから直接推測される。
我々は2つの公開データセット(CoNSePとMoNuSAC)と、コントリビュートした新しいデータセットであるMuCeDでモデルを検証した。
MuCeDは、盲腸疾患を予測するためのヒト十二指腸の生検画像55枚からなる。
3つのデータセットで3つのオブジェクト検出ベースラインで広範な実験を行い、degprがモデルに依存しないことを示し、9%までの(絶対的な)マップゲインを得るベースラインを一貫して改善した。
関連論文リスト
- Advancing Cell Detection in Anterior Segment Optical Coherence Tomography Images [5.726632481428478]
前部ぶどう膜炎(英: Anterior uveitis)は、眼炎の一種であり、早期に診断されない場合、永久的な視力喪失を引き起こす。
この状態を監視するには、眼前室の炎症細胞を定量化する必要がある。
本稿では,AS-OCT画像中の細胞を自動検出するフレームワークを提案する。
論文 参考訳(メタデータ) (2024-06-25T14:18:42Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Single-cell Multi-view Clustering via Community Detection with Unknown
Number of Clusters [64.31109141089598]
シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。
scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。
3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
論文 参考訳(メタデータ) (2023-11-28T08:34:58Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - DCID: Deep Canonical Information Decomposition [84.59396326810085]
本稿では,2つの1次元目標変数間で共有される信号の同定について考察する。
そこで本研究では,地中トラスラベルの存在下で使用可能な評価指標であるICMを提案する。
また、共有変数を学習するための単純かつ効果的なアプローチとして、Deep Canonical Information Decomposition (DCID)を提案する。
論文 参考訳(メタデータ) (2023-06-27T16:59:06Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳(メタデータ) (2023-03-23T08:57:11Z) - Generalized Few-Shot 3D Object Detection of LiDAR Point Cloud for
Autonomous Driving [91.39625612027386]
我々は,一般的な(ベース)オブジェクトに対して大量のトレーニングデータを持つが,レア(ノーベル)クラスに対してはごく少数のデータしか持たない,一般化された数発の3Dオブジェクト検出という新しいタスクを提案する。
具体的には、画像と点雲の奥行きの違いを分析し、3D LiDARデータセットにおける少数ショット設定の実践的原理を示す。
この課題を解決するために,既存の3次元検出モデルを拡張し,一般的なオブジェクトと稀なオブジェクトの両方を認識するためのインクリメンタルな微調整手法を提案する。
論文 参考訳(メタデータ) (2023-02-08T07:11:36Z) - MEDIAR: Harmony of Data-Centric and Model-Centric for Multi-Modality
Microscopy [9.405458160620533]
マルチモーダルなセルインスタンスセグメンテーションのための総合パイプラインであるMEDIARを提案する。
検証段階では時間予算を満足しながら0.9067F1スコアを達成する。
その後の研究を容易にするために、ソースコードとトレーニングされたモデルをオープンソースとして提供します。
論文 参考訳(メタデータ) (2022-12-07T05:09:24Z) - Deep neural networks approach to microbial colony detection -- a
comparative analysis [52.77024349608834]
本稿では,AGARデータセットを用いた3つの深層学習手法の性能について検討する。
得られた結果は将来の実験のベンチマークとして機能するかもしれない。
論文 参考訳(メタデータ) (2021-08-23T12:06:00Z) - Learning to segment clustered amoeboid cells from brightfield microscopy
via multi-task learning with adaptive weight selection [6.836162272841265]
マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。
ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。
検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
論文 参考訳(メタデータ) (2020-05-19T11:31:53Z) - Cell Segmentation and Tracking using CNN-Based Distance Predictions and
a Graph-Based Matching Strategy [0.20999222360659608]
顕微鏡画像における触覚細胞のセグメンテーション法を提案する。
距離マップにインスパイアされた新しい細胞境界の表現を用いることで, 触覚細胞だけでなく, 近接細胞をトレーニングプロセスで利用することができる。
この表現は、特にアノテーションエラーに対して堅牢であり、未表現または未含の細胞型を含むトレーニングデータに含まれる顕微鏡画像のセグメンテーションに対して有望な結果を示す。
論文 参考訳(メタデータ) (2020-04-03T11:55:28Z)
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。