論文の概要: An Investigation into Glomeruli Detection in Kidney H&E and PAS Images using YOLO

• arxiv url: http://arxiv.org/abs/2307.13199v1
• Date: Tue, 25 Jul 2023 01:35:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 18:32:56.554849
• Title: An Investigation into Glomeruli Detection in Kidney H&E and PAS Images using YOLO
• Title（参考訳）: YOLOを用いたキドニーH&EとPAS画像の糸球体検出の検討
• Authors: Kimia Hemmatirad, Morteza Babaie, Jeffrey Hodgin, Liron Pantanowitz, H.R.Tizhoosh
• Abstract要約: 本稿では,顕微鏡画像用リアルタイム物体検出器YOLO-v4(You-Only-Look-Once)について検討する。 YOLOは1つのニューラルネットワークを使用して、いくつかのバウンディングボックスと、関心のあるオブジェクトのクラス確率を予測する。 モデルを微調整するために、2つの公開データセットとミシガン大学のプライベートデータセットの異なるトレーニングデータに基づいて、複数の実験が設計され、実施されている。 このモデルはミシガン大学のプライベートデータセットでテストされ、ヘマトキシリンとエオシン(H&E)と周期酸-シフの2つの異なる染色の外部検証に役立った。
• 参考スコア（独自算出の注目度）: 0.4012351415340318
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Context: Analyzing digital pathology images is necessary to draw diagnostic conclusions by investigating tissue patterns and cellular morphology. However, manual evaluation can be time-consuming, expensive, and prone to inter- and intra-observer variability. Objective: To assist pathologists using computerized solutions, automated tissue structure detection and segmentation must be proposed. Furthermore, generating pixel-level object annotations for histopathology images is expensive and time-consuming. As a result, detection models with bounding box labels may be a feasible solution. Design: This paper studies. YOLO-v4 (You-Only-Look-Once), a real-time object detector for microscopic images. YOLO uses a single neural network to predict several bounding boxes and class probabilities for objects of interest. YOLO can enhance detection performance by training on whole slide images. YOLO-v4 has been used in this paper. for glomeruli detection in human kidney images. Multiple experiments have been designed and conducted based on different training data of two public datasets and a private dataset from the University of Michigan for fine-tuning the model. The model was tested on the private dataset from the University of Michigan, serving as an external validation of two different stains, namely hematoxylin and eosin (H&E) and periodic acid-Schiff (PAS). Results: Average specificity and sensitivity for all experiments, and comparison of existing segmentation methods on the same datasets are discussed. Conclusions: Automated glomeruli detection in human kidney images is possible using modern AI models. The design and validation for different stains still depends on variability of public multi-stain datasets.
• Abstract（参考訳）: コンテクスト:デジタル病理画像の解析は、組織パターンと細胞形態を調べることによって診断の結論を導き出すために必要である。 しかし、手動による評価は、時間がかかり、費用がかかり、サーバ間およびサーバ内変動しやすい。 目的: コンピュータソリューションを用いた病理学を支援するためには, 組織構造の自動検出とセグメンテーションを提案する必要がある。 さらに、病理画像に対するピクセルレベルのオブジェクトアノテーションの生成は高価で時間がかかります。 その結果、バウンディングボックスラベルによる検出モデルは、実現可能な解決策である可能性がある。 デザイン:本論文。 YOLO-v4 (You-Only-Look-Once) - 顕微鏡画像用のリアルタイム物体検出器。 YOLOは単一のニューラルネットワークを使用して、いくつかのバウンディングボックスと、関心のあるオブジェクトのクラス確率を予測する。 YOLOはスライド画像全体のトレーニングにより検出性能を向上させることができる。 本論文ではYOLO-v4を用いている。 ヒト腎臓画像の糸球体検出に役立ちます 複数の実験が、2つの公開データセットの異なるトレーニングデータとミシガン大学のプライベートデータセットに基づいて設計され、実行されてきた。 このモデルはミシガン大学のプライベートデータセットでテストされ、ヘマトキシリンとエオシン(h&e)と周期的酸合成(pas)の2つの異なる染色の外部的検証として使用された。 結果:全ての実験における平均特異性と感度,および同一データセット上の既存セグメンテーション法の比較について検討した。 結論:ヒト腎臓画像における糸球体の自動検出は、現代のAIモデルを用いて可能である。 異なる染色の設計と検証は、パブリックなマルチステインデータセットの可変性に依存している。

関連論文リスト

• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• Grad-CAMO: Learning Interpretable Single-Cell Morphological Profiles from 3D Cell Painting Images [0.0]
  教師付き特徴抽出器のための新しい単一セル解釈可能性スコアであるGrad-CAMOを紹介する。 Grad-CAMOは、関心の細胞と背景の細胞に集中しているモデルの注意率を測定する。
  論文  参考訳（メタデータ） (2024-03-26T11:48:37Z)
• MedYOLO: A Medical Image Object Detection Framework [0.0]
  YOLOモデルのワンショット検出手法を用いた3次元オブジェクト検出フレームワークであるMedYOLOについて報告する。 我々のモデルでは、心臓、肝臓、膵など、現在一般的に使われている中大の構造物で高い性能を実現している。
  論文  参考訳（メタデータ） (2023-12-12T20:46:14Z)
• DeGPR: Deep Guided Posterior Regularization for Multi-Class Cell Detection and Counting [14.222014969736993]
  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。
  論文  参考訳（メタデータ） (2023-04-03T06:25:45Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• An unobtrusive quality supervision approach for medical image annotation [8.203076178571576]
  ユーザは、目に見えないデータを注釈付けして、不当にパフォーマンスを評価できる自動化システムを持つことが望ましい。 我々は, 条件付き生成逆数ネットワークと拡散モデルという, 合成された個々の細胞画像を生成する2つの方法を評価する。 ユーザーは52.12%の画像を検出できず、元の細胞を合成細胞に置き換える可能性を証明することができた。
  論文  参考訳（メタデータ） (2022-11-11T11:57:26Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• Comparisons among different stochastic selection of activation layers for convolutional neural networks for healthcare [77.99636165307996]
  ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。 ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
  論文  参考訳（メタデータ） (2020-11-24T01:53:39Z)
• Improving Calibration and Out-of-Distribution Detection in Medical Image Segmentation with Convolutional Neural Networks [8.219843232619551]
  畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。 マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。 一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
  論文  参考訳（メタデータ） (2020-04-12T23:42:51Z)

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。