Fugu-MT 論文翻訳(概要): Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization

論文の概要: Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization

arxiv url: http://arxiv.org/abs/2309.06143v2
Date: Tue, 9 Jan 2024 09:52:28 GMT
ステータス: 処理完了
システム内更新日: 2024-01-10 19:55:49.583969
Title: Improving Generalization Capability of Deep Learning-Based Nuclei Instance Segmentation by Non-deterministic Train Time and Deterministic Test Time Stain Normalization
Title（参考訳）: 非決定性列車時間と決定性試験時間の正規化による深層学習に基づくヌクレイインスタンスセグメンテーションの一般化能力の向上
Authors: Amirreza Mahbod, Georg Dorffner, Isabella Ellinger, Ramona Woitek, Sepideh Hatamikia
Abstract要約: 核のインスタンスセグメンテーションは、幅広い臨床および研究応用において、基本的な役割を果たす。ディープラーニング(DL)ベースのアプローチは、最高のパフォーマンスを提供するために示されています。本稿では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。
参考スコア（独自算出の注目度）: 0.674572634849505
License: http://creativecommons.org/licenses/by/4.0/
Abstract: With the advent of digital pathology and microscopic systems that can scan and save whole slide histological images automatically, there is a growing trend to use computerized methods to analyze acquired images. Among different histopathological image analysis tasks, nuclei instance segmentation plays a fundamental role in a wide range of clinical and research applications. While many semi- and fully-automatic computerized methods have been proposed for nuclei instance segmentation, deep learning (DL)-based approaches have been shown to deliver the best performances. However, the performance of such approaches usually degrades when tested on unseen datasets. In this work, we propose a novel method to improve the generalization capability of a DL-based automatic segmentation approach. Besides utilizing one of the state-of-the-art DL-based models as a baseline, our method incorporates non-deterministic train time and deterministic test time stain normalization, and ensembling to boost the segmentation performance. We trained the model with one single training set and evaluated its segmentation performance on seven test datasets. Our results show that the proposed method provides up to 4.9%, 5.4%, and 5.9% better average performance in segmenting nuclei based on Dice score, aggregated Jaccard index, and panoptic quality score, respectively, compared to the baseline segmentation model.
Abstract（参考訳）: デジタル病理と顕微鏡が出現し、スライドの組織像全体を自動でスキャンし保存できるようになり、取得した画像を分析するためにコンピュータ化手法を使う傾向が高まっている。様々な病理画像解析タスクの中で、核のインスタンスセグメンテーションは幅広い臨床および研究応用において基本的な役割を果たす。多くの半自動および完全自動のコンピュータ化手法が核インスタンス分割のために提案されているが、ディープラーニング(DL)ベースのアプローチは最高の性能をもたらすことが示されている。しかし、そのようなアプローチのパフォーマンスは通常、未発見のデータセットでテストされると劣化する。本研究では,DLに基づく自動セグメンテーション手法の一般化能力向上のための新しい手法を提案する。現状のdlベースモデルの1つをベースラインとして利用するだけでなく、非決定論的トレイン時間と決定論的テスト時間染色正規化を取り入れ、セグメンテーション性能を高めるためにセンシングを行う。 1つのトレーニングセットでモデルをトレーニングし、7つのテストデータセットでセグメンテーション性能を評価した。その結果,提案手法は,ベースラインセグメンテーションモデルと比較して,Diceスコア,集約ジャカード指数,汎光学品質スコアに基づいて,セグメント化核の平均性能を最大4.9%,5.4%,5.9%向上させることがわかった。

関連論文リスト

Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文参考訳（メタデータ） (2024-07-10T17:00:57Z)
PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文参考訳（メタデータ） (2022-07-24T07:45:47Z)
Self-Supervised-RCNN for Medical Image Segmentation with Limited Data Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文参考訳（メタデータ） (2022-07-17T13:28:52Z)
Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文参考訳（メタデータ） (2022-07-17T07:05:39Z)
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)
DLTTA: Dynamic Learning Rate for Test-time Adaptation on Cross-domain Medical Images [56.72015587067494]
DLTTAと呼ばれるテスト時間適応のための新しい動的学習率調整法を提案する。本手法は,現在最先端のテスト時間適応法よりも一貫した性能向上を図り,有効かつ高速なテスト時間適応を実現する。
論文参考訳（メタデータ） (2022-05-27T02:34:32Z)
Improving Classification Model Performance on Chest X-Rays through Lung Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文参考訳（メタデータ） (2022-02-22T15:24:06Z)
End-to-end Neuron Instance Segmentation based on Weakly Supervised Efficient UNet and Morphological Post-processing [0.0]
組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
論文参考訳（メタデータ） (2022-02-17T14:35:45Z)
Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文参考訳（メタデータ） (2021-08-21T08:41:41Z)
Learning to Segment Anatomical Structures Accurately from One Exemplar [34.287877547953194]
大量の注釈付きトレーニング画像を用いることなく、正確な解剖学的構造セグメンテーションを作成できる方法は、非常に望ましい。本研究では,自然に組み込まれたループ機構を備えたワンショット解剖セグメントであるContour Transformer Network (CTN)を提案する。筆者らのワンショット学習法は,非学習に基づく手法を著しく上回り,最先端の完全教師付きディープラーニングアプローチと競争的に機能することを示した。
論文参考訳（メタデータ） (2020-07-06T20:27:38Z)
Automatic Data Augmentation via Deep Reinforcement Learning for Effective Kidney Tumor Segmentation [57.78765460295249]
医用画像セグメンテーションのための新しい学習ベースデータ拡張法を開発した。本手法では,データ拡張モジュールと後続のセグメンテーションモジュールをエンドツーエンドのトレーニング方法で一貫した損失と,革新的に組み合わせる。提案法の有効性を検証したCT腎腫瘍分節法について,本法を広範囲に評価した。
論文参考訳（メタデータ） (2020-02-22T14:10:13Z)

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。