論文の概要: Domain generalization across tumor types, laboratories, and species --
insights from the 2022 edition of the Mitosis Domain Generalization Challenge
- arxiv url: http://arxiv.org/abs/2309.15589v1
- Date: Wed, 27 Sep 2023 11:44:58 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-28 13:51:51.628009
- Title: Domain generalization across tumor types, laboratories, and species --
insights from the 2022 edition of the Mitosis Domain Generalization Challenge
- Title（参考訳）: 腫瘍, 研究室, 種間のドメイン一般化 -mitosis domain generalization challenge 2022年版より-
- Authors: Marc Aubreville, Nikolas Stathonikos, Taryn A. Donovan, Robert
Klopfleisch, Jonathan Ganz, Jonas Ammeling, Frauke Wilm, Mitko Veta, Samir
Jabari, Markus Eckstein, Jonas Annuscheit, Christian Krumnow, Engin Bozaba,
Sercan Cayir, Hongyan Gu, Xiang 'Anthony' Chen, Mostafa Jahanifar, Adam
Shephard, Satoshi Kondo, Satoshi Kasai, Sujatha Kotte, VG Saipradeep, Maxime
W. Lafarge, Viktor H. Koelzer, Ziyue Wang, Yongbing Zhang, Sen Yang, Xiyue
Wang, Katharina Breininger, Christof A. Bertram
- Abstract要約: 病理組織学的腫瘍標本における有糸分裂像の認識は,患者の予後評価に極めて関連している。
この研究は、課題タスク、参加者が採用するアルゴリズム戦略、そしてその成功に寄与する潜在的な要因の概要を示している。
- 参考スコア（独自算出の注目度）: 15.965814632791504
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Recognition of mitotic figures in histologic tumor specimens is highly
relevant to patient outcome assessment. This task is challenging for algorithms
and human experts alike, with deterioration of algorithmic performance under
shifts in image representations. Considerable covariate shifts occur when
assessment is performed on different tumor types, images are acquired using
different digitization devices, or specimens are produced in different
laboratories. This observation motivated the inception of the 2022 challenge on
MItosis Domain Generalization (MIDOG 2022). The challenge provided annotated
histologic tumor images from six different domains and evaluated the
algorithmic approaches for mitotic figure detection provided by nine challenge
participants on ten independent domains. Ground truth for mitotic figure
detection was established in two ways: a three-expert consensus and an
independent, immunohistochemistry-assisted set of labels. This work represents
an overview of the challenge tasks, the algorithmic strategies employed by the
participants, and potential factors contributing to their success. With an
$F_1$ score of 0.764 for the top-performing team, we summarize that domain
generalization across various tumor domains is possible with today's deep
learning-based recognition pipelines. When assessed against the
immunohistochemistry-assisted reference standard, all methods resulted in
reduced recall scores, but with only minor changes in the order of participants
in the ranking.
- Abstract（参考訳）: 病理組織学的腫瘍標本における有糸分裂像の認識は患者の予後評価に極めて関連している。
この課題は、画像表現のシフトによるアルゴリズム性能の低下とともに、アルゴリズムや人間の専門家にとっても困難である。
異なる腫瘍タイプで評価を行う場合、異なるデジタル化装置を用いて画像を取得する場合、または異なる実験室で標本を作成する場合、かなりの共変量シフトが発生する。
この観察は、2022年のミトーシス領域一般化(MIDOG 2022)の発端となった。
この課題は、6つの異なるドメインの組織学的腫瘍像を注釈し、10つの独立したドメインの9人のチャレンジ参加者による有糸分裂型人物検出のためのアルゴリズム的アプローチを評価した。
3つの専門的なコンセンサスと、独立した免疫組織化学によるラベルセットの2つの方法が確立された。
この研究は、課題タスク、参加者が採用するアルゴリズム戦略、そしてその成功に寄与する潜在的な要因の概要を示している。
トップパフォーマンスチームのF_1$スコアは0.764で、今日のディープラーニングベースの認識パイプラインでは、さまざまな腫瘍ドメインにわたるドメインの一般化が可能であることを要約します。
免疫組織化学補助基準に対して評価すると、すべての方法がリコールスコアを低下させたが、ランキングの参加者の順にわずかな変化しかなかった。
関連論文リスト
- Domain-stratified Training for Cross-organ and Cross-scanner Adenocarcinoma Segmentation in the COSAS 2024 Challenge [0.0]
COSAS 2024(Cross-Organ and Cross-Scanner Adenocarcinoma)チャレンジのために開発された画像分割アルゴリズムを提案する。
臓器層化・スキャナ層化手法を用いて,複数の Upernet ベースセグメンテーションモデルを訓練し,結果をアンサンブルした。
論文 参考訳（メタデータ） (2024-09-19T02:36:34Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Realism in Action: Anomaly-Aware Diagnosis of Brain Tumors from Medical Images Using YOLOv8 and DeiT [1.024113475677323]
本研究は,脳腫瘍の診断・分類に深層学習(DL)技術を活用することでこの問題に対処する。
NBML(National Brain Mapping Lab)は、30の腫瘍患者と51の正常患者を含む81の患者を対象とする。
このアプローチは、信頼できる腫瘍の検出と分類において有望な進歩を示し、現実の医療画像シナリオにおける腫瘍診断の潜在的な進歩を提供する。
論文 参考訳（メタデータ） (2024-01-06T20:53:02Z) - Genetic InfoMax: Exploring Mutual Information Maximization in
High-Dimensional Imaging Genetics Studies [50.11449968854487]
遺伝子ワイド・アソシエーション(GWAS)は、遺伝的変異と特定の形質の関係を同定するために用いられる。
画像遺伝学の表現学習は、GWASによって引き起こされる固有の課題により、ほとんど探索されていない。
本稿では,GWAS の具体的な課題に対処するために,トランスモーダル学習フレームワーク Genetic InfoMax (GIM) を提案する。
論文 参考訳（メタデータ） (2023-09-26T03:59:21Z) - Mitosis domain generalization in histopathology images -- The MIDOG
challenge [12.69088811541426]
病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。
最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。
MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
論文 参考訳（メタデータ） (2022-04-06T11:43:10Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Robust Multi-Domain Mitosis Detection [0.0]
未ペア画像から画像翻訳(CycleGAN)による対象特徴空間の学習
本研究は,MIDOGチャレンジのベースラインとして開発された,シンプルだが効果的な多段階的図形検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-09-13T06:25:15Z) - Domain Adversarial RetinaNet as a Reference Algorithm for the MItosis
DOmain Generalization (MIDOG) Challenge [1.4732811715354452]
Mitosis DOmain Generalization Challengeは、有糸分裂図形検出のタスクに対するこの特定の領域シフトに焦点を当てている。
本研究は,ドメイン逆数学習に基づく,課題のベースラインとして開発された有理数検出アルゴリズムを提案する。
論文 参考訳（メタデータ） (2021-08-25T14:49:11Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z) - Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。
本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。
結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
論文 参考訳（メタデータ） (2020-03-23T14:35:08Z) - VerSe: A Vertebrae Labelling and Segmentation Benchmark for
Multi-detector CT Images [121.31355003451152]
大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。
本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
論文 参考訳（メタデータ） (2020-01-24T21:09:18Z)
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。