論文の概要: SoftCTM: Cell detection by soft instance segmentation and consideration
of cell-tissue interaction
- arxiv url: http://arxiv.org/abs/2312.12151v1
- Date: Tue, 19 Dec 2023 13:33:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-20 15:26:12.989482
- Title: SoftCTM: Cell detection by soft instance segmentation and consideration
of cell-tissue interaction
- Title（参考訳）: SoftCTM:ソフトインスタンスセグメンテーションによる細胞検出と細胞間相互作用の検討
- Authors: Lydia A. Schoenpflug and Viktor H. Koelzer
- Abstract要約: そこで本研究では,モデルの性能に及ぼす真実形式の影響について検討する。
細胞間相互作用は組織分節予測を提供することによって考慮される。
確率マップのインスタンスセグメンテーションの根拠となる真実は、最高のモデル性能をもたらす。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Detecting and classifying cells in histopathology H\&E stained whole-slide
images is a core task in computational pathology, as it provides valuable
insight into the tumor microenvironment. In this work we investigate the impact
of ground truth formats on the models performance. Additionally, cell-tissue
interactions are considered by providing tissue segmentation predictions as
input to the cell detection model. We find that a "soft", probability-map
instance segmentation ground truth leads to best model performance. Combined
with cell-tissue interaction and test-time augmentation our Soft
Cell-Tissue-Model (SoftCTM) achieves 0.7172 mean F1-Score on the Overlapped
Cell On Tissue (OCELOT) test set, achieving the third best overall score in the
OCELOT 2023 Challenge. The source code for our approach is made publicly
available at https://github.com/lely475/ocelot23algo.
- Abstract（参考訳）: 病理組織学h\&e染色全スライド画像における細胞の検出と分類は,腫瘍微小環境に関する貴重な知見を提供するため,計算病理学において重要な課題である。
本研究では,真理形式がモデル性能に与える影響について検討する。
さらに、細胞検出モデルへの入力として組織分節予測を提供することにより、細胞間相互作用を考慮する。
や、確率マップインスタンスのセグメンテーションの根拠 真理が最良のモデルパフォーマンスをもたらすことが分かりました。
SoftCTM(Soft Cell-Tissue-Model)は,細胞間相互作用とテスト時間増強を組み合わせたオーバーラップした細胞組織(OCELOT)テストセットにおいて0.7172の平均F1スコアを達成し,OCELOT 2023 Challengeで3番目に優れたスコアを獲得した。
私たちのアプローチのソースコードはhttps://github.com/lely475/ocelot23algoで公開されています。
関連論文リスト
- CellPilot [3.2096430458509317]
この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。
本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。
このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
論文 参考訳（メタデータ） (2024-11-23T10:31:10Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Pushing the limits of cell segmentation models for imaging mass
cytometry [0.6003166991970345]
本稿では,不完全ラベルが学習に基づくセグメンテーションモデルに与える影響について検討する。
これらのモデルの様々な組織タイプへの一般化性を評価する。
論文 参考訳（メタデータ） (2024-02-06T22:32:05Z) - Mixed Models with Multiple Instance Learning [51.440557223100164]
一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。
実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
論文 参考訳（メタデータ） (2023-11-04T16:42:42Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳（メタデータ） (2023-10-22T08:11:08Z) - OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。
細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。
特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
論文 参考訳（メタデータ） (2023-03-23T08:57:11Z) - Advanced Multi-Microscopic Views Cell Semi-supervised Segmentation [0.0]
深層学習(DL)は細胞セグメンテーションタスクにおいて強力なポテンシャルを示すが、一般化が不十分である。
本稿では,Multi-Microscopic-view Cell semi-supervised (MMCS) と呼ばれる,新しい半教師付き細胞分割法を提案する。
MMCSは、マイクロスコープの異なる低ラベルの多姿勢細胞画像を用いて、細胞セグメンテーションモデルを訓練することができる。
F1スコアは0.8239であり、全てのケースのランニング時間は許容時間の範囲内である。
論文 参考訳（メタデータ） (2023-03-21T08:08:13Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Enforcing Morphological Information in Fully Convolutional Networks to
Improve Cell Instance Segmentation in Fluorescence Microscopy Images [1.408123603417833]
本稿では,よく知られたU-Netアーキテクチャに基づく新しいセルインスタンス分割手法を提案する。
深部距離変換器(DDT)がバックボーンモデルとして機能する。
その結果,従来のU-Netアーキテクチャよりも性能が向上することが示唆された。
論文 参考訳（メタデータ） (2021-06-10T15:54:38Z) - Stretchable Cells Help DARTS Search Better [70.52254306274092]
分化可能なニューラルアーキテクチャサーチ(DARTS)は、柔軟で多様な細胞タイプを発見することに成功している。
現在のDARTS法は、広くて浅い細胞に傾向があり、このトポロジー崩壊は、準最適細胞を誘導する。
本稿では,細胞に伸縮性を持たせることで,ストレッチ可能な細胞に直接サーチを実装できることを示す。
論文 参考訳（メタデータ） (2020-11-18T14:15:51Z) - Split and Expand: An inference-time improvement for Weakly Supervised
Cell Instance Segmentation [71.50526869670716]
本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。
Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。
拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
論文 参考訳（メタデータ） (2020-07-21T14:05:09Z)
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。