論文の概要: Advances in Kidney Biopsy Structural Assessment through Dense Instance
Segmentation
- arxiv url: http://arxiv.org/abs/2309.17166v1
- Date: Fri, 29 Sep 2023 11:59:57 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 14:15:07.026724
- Title: Advances in Kidney Biopsy Structural Assessment through Dense Instance
Segmentation
- Title(参考訳): 高密度インスタンスセグメンテーションによる腎臓生検構造評価の進歩
- Authors: Zhan Xiong, Junling He, Pieter Valkema, Tri Q. Nguyen, Maarten
Naesens, Jesper Kers, and Fons J. Verbeek
- Abstract要約: 本稿では,拡散モデル,変圧器モジュール,RCNNを組み合わせた最初のアンカーフリーインスタンス分割モデルを提案する。
腎生検では,500以上の解剖学的対象物(糸球体,尿細管,動脈)を効率的に認識することができる。
他のベースラインモデルよりも優れており、新しい最先端モデルとしてAP 51.7%に達する。
- 参考スコア(独自算出の注目度): 0.3926357402982764
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The kidney biopsy is the gold standard for the diagnosis of kidney diseases.
Lesion scores made by expert renal pathologists are semi-quantitative and
suffer from high inter-observer variability. Automatically obtaining statistics
per segmented anatomical object, therefore, can bring significant benefits in
reducing labor and this inter-observer variability. Instance segmentation for a
biopsy, however, has been a challenging problem due to (a) the on average large
number (around 300 to 1000) of densely touching anatomical structures, (b) with
multiple classes (at least 3) and (c) in different sizes and shapes. The
currently used instance segmentation models cannot simultaneously deal with
these challenges in an efficient yet generic manner. In this paper, we propose
the first anchor-free instance segmentation model that combines diffusion
models, transformer modules, and RCNNs (regional convolution neural networks).
Our model is trained on just one NVIDIA GeForce RTX 3090 GPU, but can
efficiently recognize more than 500 objects with 3 common anatomical object
classes in renal biopsies, i.e., glomeruli, tubuli, and arteries. Our data set
consisted of 303 patches extracted from 148 Jones' silver-stained renal whole
slide images (WSIs), where 249 patches were used for training and 54 patches
for evaluation. In addition, without adjustment or retraining, the model can
directly transfer its domain to generate decent instance segmentation results
from PAS-stained WSIs. Importantly, it outperforms other baseline models and
reaches an AP 51.7% in detection as the new state-of-the-art.
- Abstract(参考訳): 腎臓生検は腎臓疾患の診断における金の基準である。
専門家の腎病理学者による病変スコアは半定量的であり、オブザーバー間変動が高い。
したがって、セグメント化された解剖学的対象ごとの統計を自動的に取得すると、労力とサーバ間の変動を減少させる大きなメリットをもたらす。
しかし、生検のインスタンスセグメンテーションは、難しい問題であった。
(a)解剖学的構造に密着した平均的な数(約300~1000)
(b)複数のクラス(少なくとも3)と
(c)大きさや形状が異なる。
現在使われているインスタンスセグメンテーションモデルは、効率的だが汎用的な方法でこれらの課題を同時に処理することはできない。
本稿では,拡散モデル,変圧器モジュール,RCNN(地域畳み込みニューラルネットワーク)を組み合わせた,最初のアンカーフリーインスタンスセグメンテーションモデルを提案する。
私たちのモデルは1つのNVIDIA GeForce RTX 3090 GPUでトレーニングされていますが、腎生検で一般的な3つの解剖学的対象クラスを持つ500以上のオブジェクトを効率的に認識することができます。
本データセットは, トレーニングに249個のパッチを使用し, 評価に54個のパッチを使用した148個のJonesの腎全スライド画像(WSI)から抽出した303個のパッチからなる。
さらに、調整や再トレーニングがなければ、モデルはドメインを直接転送して、passtained wsisから適切なインスタンスセグメンテーション結果を生成することができる。
重要なことに、他のベースラインモデルよりも優れており、新しい最先端技術としてAP 51.7%に達する。
関連論文リスト
- DeepATLAS: One-Shot Localization for Biomedical Data [0.0]
本稿では,高次元バイオメディカルデータの領域における局所化タスクに対するDeepATLASの基礎モデルを提案する。
代表的ベンチマークとして、51,000以上のラベルなし3DCT試験の包括コホート上で事前訓練されたDeepATLASモデルでは、高い1ショットセグメンテーション性能が得られる。
論文 参考訳(メタデータ) (2024-02-14T21:31:41Z) - Deep Learning for Vascular Segmentation and Applications in Phase
Contrast Tomography Imaging [33.23991248643144]
本稿では,多様な臓器にまたがる機械学習技術の現状を概説する。
我々のゴールは、このトピックの基礎を提供し、新しい画像モダリティで血管セグメンテーションに適用するための堅牢なベースラインモデルを特定することである。
HiP CTは、1ボクセルあたり20mmという前例のない解像度で、完全な臓器の3Dイメージングを可能にする。
論文 参考訳(メタデータ) (2023-11-22T11:15:38Z) - Kidney abnormality segmentation in thorax-abdomen CT scans [4.173079849880476]
腎腺腫と腎異常を鑑別するための深層学習手法を提案する。
胸腹部CTで215例の造影CT検査を施行した。
Diceスコアが0.965, 0.947となり, 腎発作を2つの検体で分けた。
論文 参考訳(メタデータ) (2023-09-06T22:04:07Z) - Diffusion Models for Counterfactual Generation and Anomaly Detection in
Brain Images [59.85702949046042]
病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。
健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
論文 参考訳(メタデータ) (2023-08-03T21:56:50Z) - TotalSegmentator: robust segmentation of 104 anatomical structures in CT
images [48.50994220135258]
身体CT画像の深層学習セグメント化モデルを提案する。
このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
論文 参考訳(メタデータ) (2022-08-11T15:16:40Z) - Explainable multiple abnormality classification of chest CT volumes with
AxialNet and HiResCAM [89.2175350956813]
本稿では,容積医用画像における多変量分類の課題について紹介する。
本稿では,複数のインスタンス学習型畳み込みニューラルネットワークであるAxialNetを提案する。
そして、HiResCAMと3D許容領域を利用した新しいマスクロスにより、モデルの学習を改善することを目指す。
論文 参考訳(メタデータ) (2021-11-24T01:14:33Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳(メタデータ) (2021-09-10T13:07:11Z) - Automatic size and pose homogenization with spatial transformer network
to improve and accelerate pediatric segmentation [51.916106055115755]
空間変換器ネットワーク(STN)を利用することにより、ポーズとスケール不変の新たなCNNアーキテクチャを提案する。
私たちのアーキテクチャは、トレーニング中に一緒に見積もられる3つのシーケンシャルモジュールで構成されています。
腹部CTスキャナーを用いた腎および腎腫瘍の分節法について検討した。
論文 参考訳(メタデータ) (2021-07-06T14:50:03Z) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳(メタデータ) (2021-05-20T18:13:58Z) - An anatomically-informed 3D CNN for brain aneurysm classification with
weak labels [0.2010294990327175]
弱いラベルを持つパッチワイドバイナリ分類として脳動脈瘤検出の課題に対処する。
当社のアプローチは,データセット生成の非自明な課題に端を発しています。
本稿では,マルチスケール・マルチインプット3D畳み込みニューラルネットワークを用いた新しい解剖学的手法を提案する。
論文 参考訳(メタデータ) (2020-11-27T08:00:54Z) - Fully Automated and Standardized Segmentation of Adipose Tissue
Compartments by Deep Learning in Three-dimensional Whole-body MRI of
Epidemiological Cohort Studies [11.706960468832301]
全身MR画像から異なる脂肪組織成分の定量化と局在化が,代謝状態の解明に重要である。
本稿では,頑健で客観的なセグメンテーションを実現するために,3次元畳み込みニューラルネットワーク(DCNet)を提案する。
高速(5-7秒)かつ信頼性の高い脂肪組織セグメンテーションを高Dice重なりで得ることができる。
論文 参考訳(メタデータ) (2020-08-05T17:30:14Z)
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。