論文の概要: Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency

• arxiv url: http://arxiv.org/abs/2311.16447v3
• Date: Wed, 17 Jul 2024 03:51:20 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-18 23:08:38.949994
• Title: Semi-supervised Segmentation of Histopathology Images with Noise-Aware Topological Consistency
• Title（参考訳）: 騒音を考慮したトポロジコンシステンシーによる病理像の半教師付きセグメンテーション
• Authors: Meilong Xu, Xiaoling Hu, Saumya Gupta, Shahira Abousamra, Chao Chen,
• Abstract要約: TopoSemiSegは、ラベルのない画像からトポロジカル表現を学習する最初の半教師付き手法である。 教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。 病理組織像データセットを用いた実験により,本手法の優位性を示した。
• 参考スコア（独自算出の注目度）: 11.783112213482632
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: In digital pathology, segmenting densely distributed objects like glands and nuclei is crucial for downstream analysis. Since detailed pixel-wise annotations are very time-consuming, we need semi-supervised segmentation methods that can learn from unlabeled images. Existing semi-supervised methods are often prone to topological errors, e.g., missing or incorrectly merged/separated glands or nuclei. To address this issue, we propose TopoSemiSeg, the first semi-supervised method that learns the topological representation from unlabeled histopathology images. The major challenge is for unlabeled images; we only have predictions carrying noisy topology. To this end, we introduce a noise-aware topological consistency loss to align the representations of a teacher and a student model. By decomposing the topology of the prediction into signal topology and noisy topology, we ensure that the models learn the true topological signals and become robust to noise. Extensive experiments on public histopathology image datasets show the superiority of our method, especially on topology-aware evaluation metrics. Code is available at https://github.com/Melon-Xu/TopoSemiSeg.
• Abstract（参考訳）: デジタル病理学では、下流の分析には、腺や核のような密集した物体を分断することが不可欠である。 詳細なピクセル単位のアノテーションは非常に時間がかかるため、ラベルのない画像から学習できる半教師付きセグメンテーション手法が必要である。 既存の半監督的手法は、しばしばトポロジカルな誤り(例えば、欠損または誤って合併/分離された腺または核)を引き起こす。 そこで本研究では,無ラベルの病理像からトポロジカル表現を学習する最初の半教師付き手法であるTopoSemiSegを提案する。 最大の課題は、ラベルのない画像であり、ノイズのあるトポロジーを持つ予測のみである。 この目的のために,教師と学生モデルの表現を整合させるため,雑音を考慮したトポロジカル整合性損失を導入する。 予測のトポロジを信号トポロジとノイズトポロジに分解することにより、モデルが真のトポロジ信号を学び、ノイズに対して頑健になることを保証する。 公共の病理組織像データセットに対する大規模な実験は、特にトポロジ対応評価指標において、我々の手法の優位性を示している。 コードはhttps://github.com/Melon-Xu/TopoSemiSegで入手できる。

関連論文リスト

• Topograph: An efficient Graph-Based Framework for Strictly Topology Preserving Image Segmentation [78.54656076915565]
  位相的正しさは多くの画像分割タスクにおいて重要な役割を果たす。 ほとんどのネットワークは、Diceのようなピクセル単位の損失関数を使って、トポロジカルな精度を無視して訓練されている。 トポロジ的に正確な画像セグメンテーションのための新しいグラフベースのフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-05T16:20:14Z)
• TopoDiffusionNet: A Topology-aware Diffusion Model [30.091135276750506]
  拡散モデルは視覚的に印象的な画像を作成するのに優れるが、しばしば特定の位相を持つ画像を生成するのに苦労する。 TopoDiffusionNet (TDN) は、所望のトポロジーを維持するために拡散モデルを強制する新しいアプローチである。 4つのデータセットに対する実験により、トポロジ的精度が大幅に向上した。
  論文  参考訳（メタデータ） (2024-10-22T02:45:46Z)
• Universal Topology Refinement for Medical Image Segmentation with Polynomial Feature Synthesis [19.2371330932614]
  医用画像分割法は、しばしばトポロジカルな正当性を無視し、下流の多くのタスクでは利用できない。 1つの選択肢は、トポロジ駆動の損失コンポーネントを含む、そのようなモデルを再訓練することである。 本稿では,任意のドメイン固有のセグメンテーションパイプラインと互換性のあるプラグイン・アンド・プレイトポロジ・リファインメント法を提案する。
  論文  参考訳（メタデータ） (2024-09-15T17:07:58Z)
• Enhancing Boundary Segmentation for Topological Accuracy with Skeleton-based Methods [7.646983689651424]
  位相整合性は、直交画像の境界セグメンテーションの課題において重要な役割を果たす。 本稿では,各物体の形状と画素の位相的意義を考慮に入れた新たな損失関数であるSkea-Topo Aware Losを提案する。 実験により, この手法は, 13 の最先端手法と比較して, VI において最大 7 点まで位相整合性を向上させることが証明された。
  論文  参考訳（メタデータ） (2024-04-29T09:27:31Z)
• Mitigating Label Noise on Graph via Topological Sample Selection [72.86862597508077]
  トポロジ情報を活用することで,グラフ内の情報的サンプル選択プロセスを促進できる$textitTopological Sample Selection$ (TSS)法を提案する。 提案手法は,対象のクリーン分布下での予測されるリスク上限の上限を最小化し,最先端のベースラインと比較して,提案手法の優位性を実験的に示す。
  論文  参考訳（メタデータ） (2024-03-04T11:24:51Z)
• Nuclei Segmentation with Point Annotations from Pathology Images via Self-Supervised Learning and Co-Training [44.13451004973818]
  核分割のための弱い教師付き学習法を提案する。 粗いピクセルレベルのラベルは、ボロノイ図に基づく点アノテーションから導かれる。 病理画像の核分割に適した自己教師付き視覚表現学習法を提案する。
  論文  参考訳（メタデータ） (2022-02-16T17:08:44Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• TA-Net: Topology-Aware Network for Gland Segmentation [71.52681611057271]
  本研究では, 密集した腺と高度に変形した腺を正確に分離する新しいトポロジ・アウェア・ネットワーク(TA-Net)を提案する。 TA-Netはマルチタスク学習アーキテクチャを持ち、腺セグメンテーションの一般化を強化する。 2つのデータセットで最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2021-10-27T17:10:58Z)
• Weakly Supervised Deep Nuclei Segmentation Using Partial Points Annotation in Histopathology Images [51.893494939675314]
  本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。 本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
  論文  参考訳（メタデータ） (2020-07-10T15:41:29Z)
• High-Order Information Matters: Learning Relation and Topology for Occluded Person Re-Identification [84.43394420267794]
  本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。 我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
  論文  参考訳（メタデータ） (2020-03-18T12:18:35Z)

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。