論文の概要: PseudoCell: Hard Negative Mining as Pseudo Labeling for Deep
Learning-Based Centroblast Cell Detection
- arxiv url: http://arxiv.org/abs/2307.03211v1
- Date: Thu, 6 Jul 2023 14:47:27 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-10 14:28:44.758409
- Title: PseudoCell: Hard Negative Mining as Pseudo Labeling for Deep
Learning-Based Centroblast Cell Detection
- Title（参考訳）: PseudoCell:深層学習によるセントロブラスト細胞検出のためのPseudo Labelingとしてのハードネガティブマイニング
- Authors: Narongrid Seesawad, Piyalitt Ittichaiwong, Thapanun Sudhawiyangkul,
Phattarapong Sawangjai, Peti Thuwajit, Paisarn Boonsakan, Supasan Sripodok,
Kanyakorn Veerakanjana, Phoomraphee Luenam, Komgrid Charngkaew, Ananya
Pongpaibul, Napat Angkathunyakul, Narit Hnoohom, Sumeth Yuenyong, Chanitra
Thuwajit, Theerawit Wilaiprasitporn
- Abstract要約: PseudoCellは、全スライド画像における中心芽細胞検出を自動化するオブジェクト検出フレームワークである。
本研究は,病理医が改良のために改良したラベルを必要とせず,より実用的な中心芽細胞前スクリーニング法を提案する。
- 参考スコア（独自算出の注目度）: 0.3794998391713644
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Patch classification models based on deep learning have been utilized in
whole-slide images (WSI) of H&E-stained tissue samples to assist pathologists
in grading follicular lymphoma patients. However, these approaches still
require pathologists to manually identify centroblast cells and provide refined
labels for optimal performance. To address this, we propose PseudoCell, an
object detection framework to automate centroblast detection in WSI (source
code is available at https://github.com/IoBT-VISTEC/PseudoCell.git). This
framework incorporates centroblast labels from pathologists and combines them
with pseudo-negative labels obtained from undersampled false-positive
predictions using the cell's morphological features. By employing PseudoCell,
pathologists' workload can be reduced as it accurately narrows down the areas
requiring their attention during examining tissue. Depending on the confidence
threshold, PseudoCell can eliminate 58.18-99.35% of non-centroblasts tissue
areas on WSI. This study presents a practical centroblast prescreening method
that does not require pathologists' refined labels for improvement. Detailed
guidance on the practical implementation of PseudoCell is provided in the
discussion section.
- Abstract（参考訳）: 深層学習に基づくパッチ分類モデルはH&E染色組織試料の全スライディング画像(WSI)に利用され, 悪性リンパ腫の診断に有用である。
しかし、これらのアプローチはいまだに病理学者が中心芽細胞を手動で同定し、最適な性能のラベルを提供する必要がある。
これに対処するために、wsi(ソースコードはhttps://github.com/iobt-vistec/pseudocell.gitで利用可能)でcentroblast検出を自動化するオブジェクト検出フレームワークであるpseudocellを提案する。
この枠組みは、病理学者のセントロブラストラベルを組み込んで、細胞の形態学的特徴を用いた偽陽性予測から得られた偽陰性のラベルと組み合わせている。
PseudoCellを用いることで、病理学者の作業量を削減し、組織を調べる際に注意を要する領域を正確に絞り込むことができる。
信頼性のしきい値に応じて、pseudocellはwsiの非中心芽球組織領域の58.18-99.35%を除去できる。
本研究は, 病理学者が改良のために洗練されたラベルを必要としない, 実用的な遠心細胞前スクリーニング法を提案する。
PseudoCellの実践に関する詳細なガイダンスが議論のセクションで提供されている。
関連論文リスト
- 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) - CellGAN: Conditional Cervical Cell Synthesis for Augmenting
Cytopathological Image Classification [11.255093167227928]
現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。
セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
論文 参考訳（メタデータ） (2023-07-12T14:13:54Z) - 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) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Deep learning-based method for segmenting epithelial layer of tubules in
histopathological images of testicular tissue [0.0]
精巣組織の組織像を自動処理する手法を提案する。
半核管の上皮層を分割するためのエンコーダ・デコーダ完全連結畳み込みニューラルネットワーク(F-CNN)モデルを提案する。
提案法は, 哺乳動物の精巣組織像に応用できる。
論文 参考訳（メタデータ） (2023-01-24T09:46:47Z) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳（メタデータ） (2022-07-02T11:50:02Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳（メタデータ） (2022-03-23T00:58:27Z) - Deeply supervised UNet for semantic segmentation to assist
dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。
unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。
最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
論文 参考訳（メタデータ） (2021-03-05T15:39:55Z) - Accurate Cell Segmentation in Digital Pathology Images via Attention
Enforced Networks [0.0]
本研究では,グローバルな依存関係と重み付きチャネルを適応的に統合するアテンション強化ネットワーク(AENet)を提案する。
実験段階では, 染色変化問題に対処するために, 個々の色正規化法を提案する。
論文 参考訳（メタデータ） (2020-12-14T03:39:33Z)
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。