Fugu-MT 論文翻訳(概要): Eosinophils Instance Object Segmentation on Whole Slide Imaging Using Multi-label Circle Representation

論文の概要: Eosinophils Instance Object Segmentation on Whole Slide Imaging Using Multi-label Circle Representation

arxiv url: http://arxiv.org/abs/2308.08974v1
Date: Thu, 17 Aug 2023 13:27:01 GMT
ステータス: 処理完了
システム内更新日: 2023-08-21 16:46:46.346770
Title: Eosinophils Instance Object Segmentation on Whole Slide Imaging Using Multi-label Circle Representation
Title（参考訳）: マルチラベル円表現を用いた全スライド画像上の好酸球インスタンスオブジェクトセグメンテーション
Authors: Yilin Liu, Ruining Deng, Juming Xiong, Regina N Tyree, Hernan Correa, Girish Hiremath, Yaohong Wang, Yuankai Huo
Abstract要約: 好酸球性食道炎 (EoE) は食道炎を特徴とする慢性再発性疾患である。 EoEの診断は一般的に高出力場当たりの好酸球の閾値(15～20)で行われる。
参考スコア（独自算出の注目度）: 6.263438295365185
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Eosinophilic esophagitis (EoE) is a chronic and relapsing disease characterized by esophageal inflammation. Symptoms of EoE include difficulty swallowing, food impaction, and chest pain which significantly impact the quality of life, resulting in nutritional impairments, social limitations, and psychological distress. The diagnosis of EoE is typically performed with a threshold (15 to 20) of eosinophils (Eos) per high-power field (HPF). Since the current counting process of Eos is a resource-intensive process for human pathologists, automatic methods are desired. Circle representation has been shown as a more precise, yet less complicated, representation for automatic instance cell segmentation such as CircleSnake approach. However, the CircleSnake was designed as a single-label model, which is not able to deal with multi-label scenarios. In this paper, we propose the multi-label CircleSnake model for instance segmentation on Eos. It extends the original CircleSnake model from a single-label design to a multi-label model, allowing segmentation of multiple object types. Experimental results illustrate the CircleSnake model's superiority over the traditional Mask R-CNN model and DeepSnake model in terms of average precision (AP) in identifying and segmenting eosinophils, thereby enabling enhanced characterization of EoE. This automated approach holds promise for streamlining the assessment process and improving diagnostic accuracy in EoE analysis. The source code has been made publicly available at https://github.com/yilinliu610730/EoE.
Abstract（参考訳）: 好酸球性食道炎 (EoE) は食道炎を特徴とする慢性再発性疾患である。 EoEの症状には、飲み込み困難、食事の衝撃、胸痛などがあり、これは生活の質に大きな影響を与え、栄養障害、社会的制限、心理的苦痛をもたらす。 eoeの診断は通常、高出力場(hpf)あたりの好酸球(eos)の閾値(15〜20)で行われる。現在のEosの計数プロセスは、ヒト病理学者にとって資源集約的なプロセスであるため、自動的な方法が望まれている。サークル表現はCircleSnakeアプローチのような自動インスタンスセルセグメンテーションのためのより正確で、より複雑でない表現として示されている。しかし、CircleSnakeはシングルラベルモデルとして設計されており、マルチラベルのシナリオに対応できない。本稿では,Eos上でのサンプルセグメンテーションのためのマルチラベルCircleSnakeモデルを提案する。これはオリジナルのcirclesnakeモデルを単一ラベル設計からマルチラベルモデルに拡張し、複数のオブジェクトタイプのセグメンテーションを可能にする。実験の結果, 従来のマスクr-cnnモデルとdeepsnakeモデルと比較して, 好酸球の同定と分節化における平均精度(ap)の点でcirclesnakeモデルの方が優れていることが明らかとなり, eoeのキャラクタリゼーションが向上した。この自動アプローチは、評価プロセスの合理化とeoe分析の診断精度の向上を約束する。ソースコードはhttps://github.com/yilinliu610730/eoeで公開されている。

関連論文リスト

Cross-organ Deployment of EOS Detection AI without Retraining: Feasibility and Limitation [6.200516824977507]
慢性鼻副鼻腔炎(CRS)は副鼻腔の炎症が持続していることが特徴である。粘膜免疫応答において重要な要素であるEosは、CRSの重症度と関係している。好酸球性CRSの診断は、典型的にはHPF当たり10-20 eosの閾値を用いる。
論文参考訳（メタデータ） (2024-11-24T18:01:13Z)
GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
論文参考訳（メタデータ） (2024-02-03T03:13:50Z)
Shape Matters: Detecting Vertebral Fractures Using Differentiable Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文参考訳（メタデータ） (2023-12-08T18:11:22Z)
Uncertainty Quantification for Eosinophil Segmentation [16.70916787417709]
好酸球性食道炎 (EoE) は有病率が高くなるアレルギー性疾患である。 EoEを診断するためには、病理学者は1つの高出力場(400X倍率)に15以上の好酸球を見つける必要がある。深部画像分割を用いた好酸球定量化のためのAdorno et al のアプローチの改善を提案する。
論文参考訳（メタデータ） (2023-09-28T15:49:01Z)
How Does Pruning Impact Long-Tailed Multi-Label Medical Image Classifiers? [49.35105290167996]
プルーニングは、ディープニューラルネットワークを圧縮し、全体的なパフォーマンスに大きな影響を及ぼすことなく、メモリ使用量と推論時間を短縮する強力なテクニックとして登場した。この研究は、プルーニングがモデル行動に与える影響を理解するための第一歩である。
論文参考訳（メタデータ） (2023-08-17T20:40:30Z)
Deep Learning-Based Open Source Toolkit for Eosinophil Detection in Pediatric Eosinophilic Esophagitis [6.004809895258927]
好酸球性食道炎(英: Eosinophilic Esophagitis, EoE)は、慢性・免疫・抗原性食道疾患である。我々はオープンソースのツールキットOpen-EoEを開発し、Docker経由で1行のコマンドを使用して、エンドツーエンドのスライドイメージ(WSI)レベル(Eos)を検出する。
論文参考訳（メタデータ） (2023-08-11T18:18:43Z)
Improving Deep Facial Phenotyping for Ultra-rare Disorder Verification Using Model Ensembles [52.77024349608834]
我々は、DCNNを最先端の顔認識手法であるiResNetとArcFaceに置き換える影響を分析する。提案するアンサンブルモデルにより,目視と目視の両障害に対する最先端のパフォーマンスが達成される。
論文参考訳（メタデータ） (2022-11-12T23:28:54Z)
PECNet: A Deep Multi-Label Segmentation Network for Eosinophilic Esophagitis Biopsy Diagnostics [0.0]
好酸球性食道炎 (EoE) は好酸球増加を伴う食道のアレルギー性炎症性疾患である。ここでは,機械学習を用いてeoeを識別,定量化し,診断することを目的とした。 PECNet は無傷好酸球を平均絶対誤差 0.611 で定量し、EoE 病活性を98.5% の精度で分類することができた。
論文参考訳（メタデータ） (2021-03-02T20:37:57Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
Advancing Eosinophilic Esophagitis Diagnosis and Phenotype Assessment with Deep Learning Computer Vision [0.7915536524413249]
好酸球性食道炎(英: eosinophilic esophagitis, eoe)は炎症性食道疾患である。深部画像分割を用いた好酸球の自動定量手法を提案する。 U-Netモデルと後処理システムを適用して、EoEを診断し、疾患の重症度と進行を記述できる好酸球に基づく統計データを生成する。
論文参考訳（メタデータ） (2021-01-13T20:01:48Z)
A Novel Transferability Attention Neural Network Model for EEG Emotion Recognition [51.203579838210885]
脳波感情認識のための伝達型注目ニューラルネットワーク(TANN)を提案する。 TANNは、伝達可能な脳波領域のデータとサンプルを適応的に強調することにより、感情的な識別情報を学習する。これは、複数の脳領域レベル判別器と1つのサンプルレベル判別器の出力を測定することで実現できる。
論文参考訳（メタデータ） (2020-09-21T02:42:30Z)

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。