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
- Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳(メタデータ) (2024-07-08T11:44:15Z) - 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) - S3M: Scalable Statistical Shape Modeling through Unsupervised
Correspondences [91.48841778012782]
本研究では,集団解剖学における局所的および大域的形状構造を同時に学習するための教師なし手法を提案する。
我々のパイプラインは、ベースライン法と比較して、SSMの教師なし対応推定を大幅に改善する。
我々の手法は、ノイズの多いニューラルネットワーク予測から学ぶのに十分堅牢であり、より大きな患者にSSMを拡張できる可能性がある。
論文 参考訳(メタデータ) (2023-04-15T09:39:52Z) - 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) - 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) - External Attention Assisted Multi-Phase Splenic Vascular Injury
Segmentation with Limited Data [72.99534552950138]
脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。
脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
論文 参考訳(メタデータ) (2022-01-04T02:35:56Z) - Deeply supervised UNet for semantic segmentation to assist
dermatopathological assessment of Basal Cell Carcinoma (BCC) [2.031570465477242]
unetアーキテクチャに基づく複数のモデルを用いた意味セグメンテーションによる基底細胞癌(bcc)の検出に焦点を当てた。
unetネットワークの最初の2つの異なるエンコーダと2つの追加のトレーニング戦略を分析した。
最高のモデルは、テストセット上の96%、精度、感度、および特異性を達成します。
論文 参考訳(メタデータ) (2021-03-05T15:39:55Z) - 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) - Detecting Scatteredly-Distributed, Small, andCritically Important
Objects in 3D OncologyImaging via Decision Stratification [23.075722503902714]
本研究は腫瘍学的に重要なリンパ節(または不審な癌転移)の検出と分節に焦点を当てた。
我々はOSLNを腫瘍近位・腫瘍遠位分類に分割する分断型決定階層化手法を提案する。
局所的な3D画像パッチから得られた特徴と高次病変特性を組み合わせた新しいグローバルローカルネットワーク(GLNet)を提案する。
論文 参考訳(メタデータ) (2020-05-27T23:12:11Z) - Cross-stained Segmentation from Renal Biopsy Images Using Multi-level
Adversarial Learning [13.30545860115548]
クロスステンドセグメンテーションのための堅牢で柔軟なモデルを設計する。
対象の染色画像のセグメンテーション性能を改善し、ラベルなしデータを用いてラベル付きデータと類似の精度を実現する。
論文 参考訳(メタデータ) (2020-02-20T06:49:48Z) - 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。