論文の概要: An End-to-end Pipeline for 3D Slide-wise Multi-stain Renal Pathology Registration

• arxiv url: http://arxiv.org/abs/2305.11968v1
• Date: Fri, 19 May 2023 19:30:52 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-24 01:44:21.930741
• Title: An End-to-end Pipeline for 3D Slide-wise Multi-stain Renal Pathology Registration
• Title（参考訳）: 3次元スライドワイド多段階腎病理登録のためのエンドツーエンドパイプライン
• Authors: Peize Li, Ruining Deng, Yuankai Huo
• Abstract要約: 針生検シリアルセクション上のエンドツーエンドの3Dスライドワイド登録パイプラインをマルチステアパラダイムでDockerに提供します。 我々はMap3DパイプラインがマルチステインWSIからセクション登録可能であることを証明した。 針生検組織サンプルにもMap3Dパイプラインが適用可能であることを確認する。
• 参考スコア（独自算出の注目度）: 4.123421517900573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tissue examination and quantification in a 3D context on serial section whole slide images (WSIs) were laborintensive and time-consuming tasks. Our previous study proposed a novel registration-based method (Map3D) to automatically align WSIs to the same physical space, reducing the human efforts of screening serial sections from WSIs. However, the registration performance of our Map3D method was only evaluated on single-stain WSIs with large-scale kidney tissue samples. In this paper, we provide a Docker for an end-to-end 3D slide-wise registration pipeline on needle biopsy serial sections in a multi-stain paradigm. The contribution of this study is three-fold: (1) We release a containerized Docker for an end-to-end multi-stain WSI registration. (2) We prove that the Map3D pipeline is capable of sectional registration from multi-stain WSI. (3) We verify that the Map3D pipeline can also be applied to needle biopsy tissue samples. The source code and the Docker have been made publicly available at https://github.com/hrlblab/Map3D.
• Abstract（参考訳）: 連続部全スライド画像(WSI)の3次元コンテキストにおける組織検査と定量化は、労働集約的かつ時間を要する課題であった。 先行研究では,wsisを同一の物理的空間に自動調整する新しい登録ベース手法(map3d)を提案し,wsisからシリアルセクションをスクリーニングする人間の努力を軽減した。 しかし,Map3D法の登録性能は,大規模腎組織試料を用いた単一定常WSIでのみ評価された。 本稿では,マルチステインパラダイムにおける針生検シリアルセクションのエンドツーエンド3dスライドワイズ登録パイプラインのためのdockerを提供する。 1) コンテナ化されたdockerをリリースし、エンドツーエンドのマルチstain wsi登録を行う。 2)Map3Dパイプラインはマルチステア WSI から分割登録できることを示す。 (3) 針生検組織サンプルにもMap3Dパイプラインが適用可能であることを確認する。 ソースコードとDockerはhttps://github.com/hrlblab/Map3Dで公開されている。

関連論文リスト

• Bayesian Self-Training for Semi-Supervised 3D Segmentation [59.544558398992386]
  3Dセグメンテーションはコンピュータビジョンの中核的な問題である。 完全に教師されたトレーニングを採用するために、3Dポイントクラウドを密にラベル付けすることは、労働集約的で高価です。 半教師付きトレーニングは、ラベル付きデータの小さなセットのみを付与し、より大きなラベル付きデータセットを伴って、より実用的な代替手段を提供する。
  論文  参考訳（メタデータ） (2024-09-12T14:54:31Z)
• Few-Shot 3D Volumetric Segmentation with Multi-Surrogate Fusion [31.736235596070937]
  軽量マルチサロゲート融合(MSF)を用いた新しい3DセグメンテーションフレームワークMSFSegを提案する。 MSFSegは、1つまたは数個の注釈付き2Dスライスまたは3Dシーケンスセグメントを備えた、目に見えない3Dオブジェクト/組織(トレーニング中)を自動的に分割することができる。 提案するMSFモジュールは, ラベル付きスライスと少数のラベル付きスライス/シーケンス間の包括的および多彩な相関関係を, 複数の指定されたサロゲートを介して抽出する。
  論文  参考訳（メタデータ） (2024-08-26T17:15:37Z)
• 3DiffTection: 3D Object Detection with Geometry-Aware Diffusion Features [70.50665869806188]
  3DiffTectionは、単一の画像から3Dオブジェクトを検出する最先端の方法である。 拡散モデルを微調整し、単一の画像に条件付けされた新しいビュー合成を行う。 さらに、検出監視により、ターゲットデータ上でモデルをトレーニングする。
  論文  参考訳（メタデータ） (2023-11-07T23:46:41Z)
• On the Localization of Ultrasound Image Slices within Point Distribution Models [84.27083443424408]
  甲状腺疾患は高分解能超音波(US)で診断されることが多い 縦断追跡は病理甲状腺形態の変化をモニタリングするための重要な診断プロトコルである。 3次元形状表現におけるUS画像の自動スライスローカライズのためのフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-01T10:10:46Z)
• SeMLaPS: Real-time Semantic Mapping with Latent Prior Networks and Quasi-Planar Segmentation [53.83313235792596]
  本稿では,RGB-Dシーケンスからのリアルタイム意味マッピングのための新しい手法を提案する。 2DニューラルネットワークとSLAMシステムに基づく3Dネットワークと3D占有マッピングを組み合わせる。 本システムは,2D-3Dネットワークベースシステムにおいて,最先端のセマンティックマッピング品質を実現する。
  論文  参考訳（メタデータ） (2023-06-28T22:36:44Z)
• An Accelerated Pipeline for Multi-label Renal Pathology Image Segmentation at the Whole Slide Image Level [3.4916828526000008]
  繰り返し計算処理を削減し,GPUを用いて予測を高速化するために,Omni-Segパイプラインの強化版を提案する。 提案手法の革新的なコントリビューションは2つある: 1) エンドツーエンドのスライドワイドマルチタスクセグメンテーション用にDockerがリリースされ、(2) パイプラインをGPU上にデプロイして予測を高速化する。
  論文  参考訳（メタデータ） (2023-05-23T23:07:53Z)
• AOP-Net: All-in-One Perception Network for Joint LiDAR-based 3D Object Detection and Panoptic Segmentation [9.513467995188634]
  AOP-NetはLiDARベースのマルチタスクフレームワークで、3Dオブジェクトの検出とパノプティクスのセグメンテーションを組み合わせたものである。 AOP-Netは、nuScenesベンチマークにおける3Dオブジェクト検出とパノプティクスセグメンテーションの両タスクについて、最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-02-02T05:31:53Z)
• Advancing 3D finger knuckle recognition via deep feature learning [51.871256510747465]
  接触のない3Dフィンガーナックルパターンは、識別性、距離からの視認性、利便性、利便性により、効果的な生体認証として出現している。 近年、ディープニューラルネットワークの中間機能を複数のスケールで同時に組み込むディープ・フィーチャー・コラボレーティブ・ネットワークが開発されている。 本稿では,3次元指のナックル画像を表現するために,最小次元の識別特徴ベクトルを学習する可能性を検討することにより,本手法を推し進める。
  論文  参考訳（メタデータ） (2023-01-07T20:55:16Z)
• Map3D: Registration Based Multi-Object Tracking on 3D Serial Whole Slide Images [10.519063258650508]
  本稿では,3Dオブジェクトの大規模断面の自動同定と関連付けを行う3D(Map3D)手法を提案する。 提案手法はMOTA=44.6であり,非ディープラーニングベンチマークよりも12.1%高い。
  論文  参考訳（メタデータ） (2020-06-10T19:31:02Z)
• D3Feat: Joint Learning of Dense Detection and Description of 3D Local Features [51.04841465193678]
  私たちは3Dポイントクラウドに3D完全畳み込みネットワークを活用しています。 本稿では,3次元点ごとに検出スコアと記述特徴の両方を密に予測する,新しい,実践的な学習機構を提案する。 本手法は,屋内と屋外の両方のシナリオで最先端の手法を実現する。
  論文  参考訳（メタデータ） (2020-03-06T12:51:09Z)

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。