論文の概要: Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning

• arxiv url: http://arxiv.org/abs/2306.00047v2
• Date: Fri, 21 Jul 2023 18:30:23 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-25 21:07:15.543312
• Title: Democratizing Pathological Image Segmentation with Lay Annotators via Molecular-empowered Learning
• Title（参考訳）: 分子共役学習によるアノテータによる病理画像分割の民主化
• Authors: Ruining Deng, Yanwei Li, Peize Li, Jiacheng Wang, Lucas W. Remedios, Saydolimkhon Agzamkhodjaev, Zuhayr Asad, Quan Liu, Can Cui, Yaohong Wang, Yihan Wang, Yucheng Tang, Haichun Yang, Yuankai Huo
• Abstract要約: レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。 分子インフォームドアノテーションを用いてF1=0.8496を達成した。 本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
• 参考スコア（独自算出の注目度）: 20.11220024755348
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-class cell segmentation in high-resolution Giga-pixel whole slide images (WSI) is critical for various clinical applications. Training such an AI model typically requires labor-intensive pixel-wise manual annotation from experienced domain experts (e.g., pathologists). Moreover, such annotation is error-prone when differentiating fine-grained cell types (e.g., podocyte and mesangial cells) via the naked human eye. In this study, we assess the feasibility of democratizing pathological AI deployment by only using lay annotators (annotators without medical domain knowledge). The contribution of this paper is threefold: (1) We proposed a molecular-empowered learning scheme for multi-class cell segmentation using partial labels from lay annotators; (2) The proposed method integrated Giga-pixel level molecular-morphology cross-modality registration, molecular-informed annotation, and molecular-oriented segmentation model, so as to achieve significantly superior performance via 3 lay annotators as compared with 2 experienced pathologists; (3) A deep corrective learning (learning with imperfect label) method is proposed to further improve the segmentation performance using partially annotated noisy data. From the experimental results, our learning method achieved F1 = 0.8496 using molecular-informed annotations from lay annotators, which is better than conventional morphology-based annotations (F1 = 0.7015) from experienced pathologists. Our method democratizes the development of a pathological segmentation deep model to the lay annotator level, which consequently scales up the learning process similar to a non-medical computer vision task. The official implementation and cell annotations are publicly available at https://github.com/hrlblab/MolecularEL.
• Abstract（参考訳）: 高解像度ギガピクセル全スライド画像(WSI)における多クラス細胞セグメンテーションは臨床応用において重要である。 このようなAIモデルをトレーニングするには、通常、経験豊富なドメインエキスパート(例えば病理学者)からの労働集約的なピクセル単位の手動アノテーションが必要である。 また、肉眼で細粒の細胞型(例えば、ポドサイトやメサンギウム細胞)を区別する場合、このようなアノテーションはエラーを起こしやすい。 本研究では,レイアノテータ(医学領域の知識を持たないアノテータ)のみを用いて,病的AIデプロイメントの民主化の実現可能性を評価する。 The contribution of this paper is threefold: (1) We proposed a molecular-empowered learning scheme for multi-class cell segmentation using partial labels from lay annotators; (2) The proposed method integrated Giga-pixel level molecular-morphology cross-modality registration, molecular-informed annotation, and molecular-oriented segmentation model, so as to achieve significantly superior performance via 3 lay annotators as compared with 2 experienced pathologists; (3) A deep corrective learning (learning with imperfect label) method is proposed to further improve the segmentation performance using partially annotated noisy data. 実験結果より,経験豊富な病理学者の従来の形態的アノテーション (f1 = 0.7015) よりも優れた分子型アノテーションを用いて,f1 = 0.8496を得た。 本手法は,非医学的コンピュータビジョンタスクと類似した学習プロセスをスケールアップし,病理学的なセグメンテーション深層モデルの開発をlay annotatorレベルに民主化する。 公式実装とセルアノテーションはhttps://github.com/hrlblab/MolecularELで公開されている。

関連論文リスト

• HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis [19.04633470168871]
  パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。 本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。 提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
  論文  参考訳（メタデータ） (2024-06-30T05:35:26Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• 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)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised Semantic Segmentation with Multi-scale Inference [28.409679398886304]
  我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。 地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
  論文  参考訳（メタデータ） (2022-05-06T08:37:02Z)
• Learning of Inter-Label Geometric Relationships Using Self-Supervised Learning: Application To Gleason Grade Segmentation [4.898744396854313]
  そこで本研究では,PCaの病理組織像に対して,異なる疾患ラベル間の幾何学的関係を学習して合成する方法を提案する。 我々はGleasonスコアを用いた弱教師付きセグメンテーション手法を用いて、疾患領域をセグメンテーションする。 得られたセグメンテーションマップは、行方不明のマスクセグメントを予測するためにShaRe-Net(ShaRe-Net)をトレーニングするために使用される。
  論文  参考訳（メタデータ） (2021-10-01T13:47:07Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Weakly Supervised Few-Shot Segmentation Via Meta-Learning [2.0962464943252934]
  WeaSeL と ProtoSeg という2つの新しいメタ学習手法を提案する。 医療画像と農業リモートセンシングの異なる分野で,提案手法の広範な評価を行った。
  論文  参考訳（メタデータ） (2021-09-03T18:20:26Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。