論文の概要: Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation
- arxiv url: http://arxiv.org/abs/2309.17166v2
- Date: Thu, 28 Mar 2024 20:49:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-01 20:36:47.822309
- Title: Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation
- Title（参考訳）: デンスインスタンスセグメンテーションによる腎生検病変評価の進歩
- Authors: Zhan Xiong, Junling He, Pieter Valkema, Tri Q. Nguyen, Maarten Naesens, Jesper Kers, Fons J. Verbeek,
- Abstract要約: textbfDiffRegFormerは、関心領域内のマルチクラスのマルチスケールオブジェクト用に設計された、エンドツーエンドの高密度なインスタンスセグメンテーションモデルである。
ジョーンズの148個の銀色の腎WSIのデータセットでは、芸術モデルの状態を上回り、APは52.1%(検出)と46.8%(分離)である。
病変分類サブネットワークは21889のオブジェクトパッチに対して89.2%の精度と64.6%のリコールを達成した。
- 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: Renal biopsies are the gold standard for diagnosis of kidney diseases. Lesion scores made by renal pathologists are semi-quantitative and exhibit high inter-observer variability. Automating lesion classification within segmented anatomical structures can provide decision support in quantification analysis and reduce the inter-observer variability. Nevertheless, classifying lesions in regions-of-interest (ROIs) is clinically challenging due to (a) a large amount of densely packed anatomical objects (up to 1000), (b) class imbalance across different compartments (at least 3), (c) significant variation in object scales (i.e. sizes and shapes), and (d) the presence of multi-label lesions per anatomical structure. Existing models lack the capacity to address these complexities efficiently and generically. This paper presents \textbf{a generalized technical solution} for large-scale, multi-source datasets with diverse lesions. Our approach utilizes two sub-networks: dense instance segmentation and lesion classification. We introduce \textbf{DiffRegFormer}, an end-to-end dense instance segmentation model designed for multi-class, multi-scale objects within ROIs. Combining diffusion models, transformers, and RCNNs, DiffRegFormer efficiently recognizes over 500 objects across three anatomical classes (glomeruli, tubuli, arteries) within ROIs on a single NVIDIA GeForce RTX 3090 GPU. On a dataset of 303 ROIs (from 148 Jones' silver-stained renal WSIs), it outperforms state of art models, achieving AP of 52.1\% (detection) and 46.8\% (segmentation). Our lesion classification sub-network achieves 89.2\% precision and 64.6\% recall on 21889 object patches (from the 303 ROIs). Importantly, the model demonstrates direct domain transfer to PAS-stained WSIs without fine-tuning.
- Abstract（参考訳）: 腎生検は腎疾患の診断における金の基準である。
腎病理学者による病変スコアは半定量的であり、サーバ間の変動が高い。
セグメント化された解剖学的構造内の病変分類の自動化は、定量化分析における決定的サポートを提供し、サーバ間変動を低減することができる。
それでも、関心領域(ROI)における病変の分類は臨床的に困難である。
(a)多量に充填された解剖学的対象物(最大1000件)
(b)異なる区画にまたがるクラス不均衡(少なくとも3)
(c)物体のスケール(大きさと形状)の有意な変動、及び
(d) 解剖学的構造ごとに複数ラベル病変が存在すること。
既存のモデルには、これらの複雑さに効率的かつ汎用的に対処する能力がない。
本稿では,多様な病変を有する大規模マルチソースデータセットに対して,‘textbf{a Generalized Technical Solution} を提案する。
本手法では,2つのサブネットワーク,すなわち高密度なインスタンスセグメンテーションと病変分類を利用する。
我々は、ROI内のマルチクラスのマルチスケールオブジェクト用に設計された、エンドツーエンドの高密度インスタンスセグメンテーションモデルである \textbf{DiffRegFormer} を紹介する。
拡散モデル、トランスフォーマー、RCNNを組み合わせることで、DiffRegFormerは、単一のNVIDIA GeForce RTX 3090 GPU上でROI内の3つの解剖学的クラス(グロマリ、チューリ、動脈)にわたる500以上のオブジェクトを効率的に認識する。
303ROIのデータセット(ジョーンズの148個の銀色の腎WSIから)では、芸術モデルの状態を上回り、APは52.1\%(検出)と46.8\%(分離)となる。
病変分類サブネットワークは21889のオブジェクトパッチに対して89.2\%の精度と64.6\%のリコールを達成する(303ROIから)。
重要なことは、このモデルは微調整なしでPASが保持するWSIへの直接ドメイン転送を示す。
関連論文リスト
- Multi-Stain Multi-Level Convolutional Network for Multi-Tissue Breast Cancer Image Segmentation [5.572436001833252]
病理組織学のための新しい畳み込みニューラルネットワーク(CNN)を提案する。
本モデルでは, 折り畳み, アーティファクト, ぼやけた領域, バブルなどの悪い領域を, 多段階のコンテキストを用いて組織領域から分離することができる。
トレーニングパイプラインでは、コンテキスト認識による拡張を使用して、1200万のパッチを生成しました。
論文 参考訳（メタデータ） (2024-06-09T15:35:49Z) - 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) - AttResDU-Net: Medical Image Segmentation Using Attention-based Residual
Double U-Net [0.0]
本稿では,既存の医用画像セグメンテーションネットワークを改善したアテンションベース残留Double U-Netアーキテクチャ(AttResDU-Net)を提案する。
CVC clinic-DB、ISIC 2018、2018 Data Science Bowlの3つのデータセットで実験を行い、それぞれ94.35%、91.68%、92.45%のDice Coefficientスコアを得た。
論文 参考訳（メタデータ） (2023-06-25T14:28:08Z) - 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) - 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) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - 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) - 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) - 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。