論文の概要: Quantification of cardiac capillarization in single-immunostained myocardial slices using weakly supervised instance segmentation

• arxiv url: http://arxiv.org/abs/2311.18173v1
• Date: Thu, 30 Nov 2023 01:36:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-01 18:31:02.287654
• Title: Quantification of cardiac capillarization in single-immunostained myocardial slices using weakly supervised instance segmentation
• Title（参考訳）: 弱教師付きインスタンスセグメンテーションを用いた単免疫性心筋スライスにおける心筋毛細血管の定量化
• Authors: Zhao Zhang, Xiwen Chen, William Richardson, Bruce Z. Gao, Abolfazl Razi, Tong Ye
• Abstract要約: AutoQCは、免疫蛍光画像中のCMや毛細血管を自動的に識別し、分割する画像解析ツールである。 AutoQCは、事前訓練されたセグメンテーションモデルのパワーを活用することで、弱教師付きインスタンスセグメンテーションアルゴリズムを備えている。 AutoQCのトレーニングでは,ピクセル単位のアノテーションではなく,バウンディングボックスアノテーションを備えた小さなデータセットのみが必要だった。
• 参考スコア（独自算出の注目度）: 7.8959271525299055
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Decreased myocardial capillary density has been reported as an important histopathological feature associated with various heart disorders. Quantitative assessment of cardiac capillarization typically involves double immunostaining of cardiomyocytes (CMs) and capillaries in myocardial slices. In contrast, single immunostaining of basement membrane components is a straightforward approach to simultaneously label CMs and capillaries, presenting fewer challenges in background staining. However, subsequent image analysis always requires manual work in identifying and segmenting CMs and capillaries. Here, we developed an image analysis tool, AutoQC, to automatically identify and segment CMs and capillaries in immunofluorescence images of collagen type IV, a predominant basement membrane protein within the myocardium. In addition, commonly used capillarization-related measurements can be derived from segmentation masks. AutoQC features a weakly supervised instance segmentation algorithm by leveraging the power of a pre-trained segmentation model via prompt engineering. AutoQC outperformed YOLOv8-Seg, a state-of-the-art instance segmentation model, in both instance segmentation and capillarization assessment. Furthermore, the training of AutoQC required only a small dataset with bounding box annotations instead of pixel-wise annotations, leading to a reduced workload during network training. AutoQC provides an automated solution for quantifying cardiac capillarization in basement-membrane-immunostained myocardial slices, eliminating the need for manual image analysis once it is trained.
• Abstract（参考訳）: 心筋毛細血管密度の低下は様々な心疾患に伴う重要な病理組織学的特徴として報告されている。 心臓キャピラリゼーションの定量的評価は、心筋スライスにおける心筋細胞(CM)と毛細血管の二重免疫染色が一般的である。 対照的に、基底膜成分の単一免疫染色はCMと毛細血管を同時にラベル付けする簡単なアプローチであり、背景染色の課題が少ない。 しかし、その後の画像解析は常にCMとキャピラリーの識別と分割に手作業を必要とする。 そこで我々は,心筋の基底膜タンパク質であるコラーゲンIV型の免疫蛍光画像において,CMと毛細管を自動的に識別し,分離する画像解析ツールAutoQCを開発した。 さらに、一般的に使用される毛細血管関連測定は、セグメンテーションマスクから得られる。 AutoQCは、プロンプトエンジニアリングを通じて事前訓練されたセグメンテーションモデルのパワーを活用することで、弱教師付きインスタンスセグメンテーションアルゴリズムを備えている。 AutoQCは、インスタンスセグメンテーションとキャピラライゼーションアセスメントの両方において、最先端のインスタンスセグメンテーションモデルであるYOLOv8-Segを上回った。 さらに、AutoQCのトレーニングでは、ピクセル単位のアノテーションの代わりにバウンディングボックスアノテーションを持つ小さなデータセットのみが必要となり、ネットワークトレーニング時のワークロードの削減につながった。 AutoQCは、地下膜免疫性心筋スライスにおける心臓の毛細血管化を定量化する自動化ソリューションを提供する。

関連論文リスト

• Semantic-aware Temporal Channel-wise Attention for Cardiac Function Assessment [69.02116920364311]
  既存のビデオベースの手法では、左室領域や運動による左室の変化にはあまり注意を払わない。 本稿では,左室分割課題を伴う半教師付き補助学習パラダイムを提案し,左室領域の表現学習に寄与する。 提案手法は,0.22 MAE,0.26 RMSE,1.9%$R2$の改善により,スタンフォードデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2023-10-09T05:57:01Z)
• M(otion)-mode Based Prediction of Ejection Fraction using Echocardiograms [13.112371567924802]
  心エコー図のM(otion)モードを用いて左室流出率(EF)を推定し,心筋症を分類する。 心エコー図から複数の人工Mモード画像を生成し,既製のモデルアーキテクチャを用いて組み合わせる。 実験の結果,教師付き設定は10モードで収束し,ベースライン法に匹敵することがわかった。
  論文  参考訳（メタデータ） (2023-09-07T15:00:58Z)
• Three-dimensional micro-structurally informed in silico myocardium -- towards virtual imaging trials in cardiac diffusion weighted MRI [58.484353709077034]
  本稿では,心筋微細構造の数値ファントムを現実的に生成する新しい手法を提案する。 シリコン組織モデルにより、磁気共鳴イメージングの定量的モデルを評価することができる。
  論文  参考訳（メタデータ） (2022-08-22T22:01:44Z)
• Segmentation-free PVC for Cardiac SPECT using a Densely-connected Multi-dimensional Dynamic Network [11.546783296332961]
  CTやMRIから高分解能解剖情報を取り入れた部分体積補正法が有効であることが証明された。 本研究では,解剖学的情報と関連する臓器セグメント化を伴わない高速心電図SPECT PVCのための深層学習法を開発した。
  論文  参考訳（メタデータ） (2022-06-24T15:31:14Z)
• Cardiac Adipose Tissue Segmentation via Image-Level Annotations [8.705311618392368]
  我々は,ヒト心基質のCT画像に画像レベルのアノテーションを用いた心脂肪組織分画のための2段階の深層学習フレームワークを開発した。 本研究は, 自動組織解析の需要と高品質な画素アノテーションの欠如とのギャップを埋めるものである。
  論文  参考訳（メタデータ） (2022-06-09T02:55:35Z)
• A Comprehensive 3-D Framework for Automatic Quantification of Late Gadolinium Enhanced Cardiac Magnetic Resonance Images [5.947543669357994]
  後期ガドリニウム増強(LGE)心筋磁気共鳴(CMR)は、高強度の非生存性心筋を直接可視化することができる。 心臓発作患者に対しては,LGE CMR画像の解析と定量化により適切な治療の決定を容易にすることが重要である。 正確な定量化を実現するためには、LGE CMR画像は心筋の分画と梗塞の分類の2つのステップで処理する必要がある。
  論文  参考訳（メタデータ） (2022-05-21T11:54:39Z)
• Cardiac Segmentation on CT Images through Shape-Aware Contour Attentions [1.212901554957637]
  心臓臓器は複数のサブ構造(心室、心房、大動脈、動脈、静脈、心筋)から構成される。 これらの心筋サブ構造は互いに近縁であり、識別不能な境界を持つ。 形状と境界認識機能を利用する新しいモデルを提案する。
  論文  参考訳（メタデータ） (2021-05-27T13:54:59Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Neural collaborative filtering for unsupervised mitral valve segmentation in echocardiography [60.08918310097638]
  心エコービデオの低次元埋め込みに基づく僧帽弁断面積自動制御法を提案する。 本法は, 各種僧帽弁疾患患者の心エコービデオと, 独立した検査コホートを用いて評価した。 これは、低品質ビデオやスパースアノテーションの場合には、最先端のインハンサーとエンファンサーの手法より優れている。
  論文  参考訳（メタデータ） (2020-08-13T12:53:26Z)
• Segmentation of the Myocardium on Late-Gadolinium Enhanced MRI based on 2.5 D Residual Squeeze and Excitation Deep Learning Model [55.09533240649176]
  本研究の目的は,LGE-MRIを用いた心筋境界領域の深部学習モデルに基づく正確な自動セグメンテーション法を開発することである。 合計320回の試験(平均6回の試験)と28回の試験が行われた。 ベーススライスとミドルスライスにおけるアンサンブルモデルの性能解析は, サーバ内調査と同等であり, アトピーススライスではわずかに低かった。
  論文  参考訳（メタデータ） (2020-05-27T20:44:38Z)
• Synergistic Learning of Lung Lobe Segmentation and Hierarchical Multi-Instance Classification for Automated Severity Assessment of COVID-19 in CT Images [61.862364277007934]
  3次元CT画像におけるCOVID-19の重症度自動評価のための相乗的学習フレームワークを提案する。 マルチタスクのディープネットワーク(M$2$UNet)が開発され、新型コロナウイルス患者の重症度を評価する。 われわれのM$2$UNetはパッチレベルのエンコーダと肺葉分画のためのセグメンテーションサブネットワークと重度評価のための分類サブネットワークから構成されている。
  論文  参考訳（メタデータ） (2020-05-08T03:16:15Z)

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。