論文の概要: A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology

• arxiv url: http://arxiv.org/abs/2308.11179v1
• Date: Tue, 22 Aug 2023 04:10:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-23 19:18:11.662685
• Title: A three in one bottom-up framework for simultaneous semantic segmentation, instance segmentation and classification of multi-organ nuclei in digital cancer histology
• Title（参考訳）: デジタル癌組織学における意味セグメンテーション,インスタンスセグメンテーション,マルチオルガン核分類の3つのボトムアップフレームワーク
• Authors: Ibtihaj Ahmad, Syed Muhammad Israr, Zain Ul Islam
• Abstract要約: デジタル組織学における核の同時セグメンテーションと分類は、コンピュータによるがん診断において重要な役割を担っている。 最も達成されたバイナリとマルチクラスのPanoptic Quality (PQ)は、それぞれ0.68 bPQと0.49 mPQである。 この作業は、以前のモデルを同時インスタンスのセグメンテーションと分類に拡張します。
• 参考スコア（独自算出の注目度）: 3.2228025627337864
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Simultaneous segmentation and classification of nuclei in digital histology play an essential role in computer-assisted cancer diagnosis; however, it remains challenging. The highest achieved binary and multi-class Panoptic Quality (PQ) remains as low as 0.68 bPQ and 0.49 mPQ, respectively. It is due to the higher staining variability, variability across the tissue, rough clinical conditions, overlapping nuclei, and nuclear class imbalance. The generic deep-learning methods usually rely on end-to-end models, which fail to address these problems associated explicitly with digital histology. In our previous work, DAN-NucNet, we resolved these issues for semantic segmentation with an end-to-end model. This work extends our previous model to simultaneous instance segmentation and classification. We introduce additional decoder heads with independent weighted losses, which produce semantic segmentation, edge proposals, and classification maps. We use the outputs from the three-head model to apply post-processing to produce the final segmentation and classification. Our multi-stage approach utilizes edge proposals and semantic segmentations compared to direct segmentation and classification strategies followed by most state-of-the-art methods. Due to this, we demonstrate a significant performance improvement in producing high-quality instance segmentation and nuclei classification. We have achieved a 0.841 Dice score for semantic segmentation, 0.713 bPQ scores for instance segmentation, and 0.633 mPQ for nuclei classification. Our proposed framework is generalized across 19 types of tissues. Furthermore, the framework is less complex compared to the state-of-the-art.
• Abstract（参考訳）: デジタル組織学における核の同時分割と分類は、コンピュータ支援癌診断において重要な役割を果たすが、依然として困難である。 最も達成されたバイナリとマルチクラスのPanoptic Quality (PQ)は、それぞれ0.68 bPQと0.49 mPQである。 これは、高い染色変動性、組織全体の変動性、粗い臨床状態、重なり合う核、核種の不均衡によるものである。 一般的なディープラーニング手法は通常、エンドツーエンドモデルに依存しているが、デジタルヒストロジーに関連するこれらの問題には対処できない。 これまでの研究であるDAN-NucNetでは、エンド・ツー・エンド・モデルを用いてセマンティックセグメンテーションの課題を解決した。 この作業は、以前のモデルを同時インスタンスセグメンテーションと分類に拡張します。 我々は、意味セグメンテーション、エッジ提案、分類マップを生成する独立した重み付き損失を伴う追加のデコーダヘッドを導入する。 三頭モデルからの出力を使って、後処理を適用して最終的なセグメンテーションと分類を行う。 多段階アプローチでは,最先端の提案と意味セグメンテーションを用いて,直接セグメンテーションと分類戦略を比較した。 これにより,高品質なインスタンスセグメンテーションと核分類の生成において,大幅な性能向上が期待できる。 意味セグメンテーションの0.841 diceスコア,例セグメンテーションの0.713bpqスコア,核分類の0.633mpqを達成した。 提案フレームワークは19種類の組織にまたがって一般化されている。 さらに、フレームワークは最先端に比べて複雑ではない。

関連論文リスト

• Topologically Faithful Multi-class Segmentation in Medical Images [43.6770098513581]
  位相的に忠実な多クラスセグメンテーションのための一般損失関数を提案する。 我々はNクラス分割問題をNクラス分割タスクに投射する。 心筋, 細胞, 動脈静脈, およびWillisセグメンテーションの局所的正当性は, 著明に向上する。
  論文  参考訳（メタデータ） (2024-03-16T19:11:57Z)
• Prompt-based Grouping Transformer for Nucleus Detection and Classification [70.55961378096116]
  核の検出と分類は、疾患の診断に有効な情報を生み出す。 既存のほとんどの手法は、核を独立に分類するか、核とそのグループの特徴の間の意味的類似性を十分に利用しない。 グループ変換器をベースとした新しいエンドツーエンドの原子核検出・分類フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-22T04:50:48Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• MGTUNet: An new UNet for colon nuclei instance segmentation and quantification [3.693770437824002]
  本稿では,MGTUNet と呼ばれる UNet フレームワークをベースとした核処理のための新しい UNet モデルを提案する。 3つの評価指標とモデルのパラメータサイズを比較することで、MGTUNetはPQで0.6254、mPQで0.6359、R2で0.8695を得た。
  論文  参考訳（メタデータ） (2022-10-20T03:00:40Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Inconsistency-aware Uncertainty Estimation for Semi-supervised Medical Image Segmentation [92.9634065964963]
  我々は、不確実性推定と個別の自己学習戦略に基づいて、新しい半教師付きセグメンテーションモデル、すなわち保守的ラディカルネットワーク(CoraNet)を提案する。 現在の技術と比較すると、ColaNetは優れたパフォーマンスを示しています。
  論文  参考訳（メタデータ） (2021-10-17T08:49:33Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• Improved AI-based segmentation of apical and basal slices from clinical cine CMR [1.7647111545685723]
  本研究の目的は,基底スライスと尖端スライスを分割する際のAIアルゴリズムの性能を検討することである。 2つのNHS病院から得られた臨床CMRの大規模なデータセットを用いて,全モデルを訓練した。 分類とセグメンテーションのアプローチは、すべてのデータセットのパフォーマンスギャップを減らすのに最適であることを示す。
  論文  参考訳（メタデータ） (2021-09-20T10:48:50Z)
• Weakly Supervised 3D Classification of Chest CT using Aggregated Multi-Resolution Deep Segmentation Features [5.938730586521215]
  CT画像の病巣分類は, 症例レベルのアノテーションが原因で, 局所性に乏しい。 マルチレゾリューション・セグメンテーション・フィーチャーマップを用いて学習した意味構造概念を活用する医療分類器を提案する。
  論文  参考訳（メタデータ） (2020-10-31T00:16:53Z)

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。