論文の概要: Tissue Cross-Section and Pen Marking Segmentation in Whole Slide Images
- arxiv url: http://arxiv.org/abs/2401.13511v1
- Date: Wed, 24 Jan 2024 15:09:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-25 14:18:39.648667
- Title: Tissue Cross-Section and Pen Marking Segmentation in Whole Slide Images
- Title（参考訳）: 全スライド画像における組織断面とペンマーキングセグメンテーション
- Authors: Ruben T. Lucassen, Willeke A. M. Blokx, Mitko Veta
- Abstract要約: 我々は200個のH&E染色WSIのデータセットを用いて組織とペンのマーキングセグメンテーションのための畳み込みニューラルネットワークを開発した。
組織横断断面を分離するために, 2次元ヒストグラムにおいて, 組織横断断面の偏心位置をクラスタリングした新しい後処理法を提案する。
提案手法は,WSIにおけるH&E染色組織断面とペンマーキングを高精度に分割し,多くの一般的なスライディングやスキャニングアーティファクトに対して堅牢であることを示す。
- 参考スコア（独自算出の注目度）: 1.1676536944616034
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Tissue segmentation is a routine preprocessing step to reduce the
computational cost of whole slide image (WSI) analysis by excluding background
regions. Traditional image processing techniques are commonly used for tissue
segmentation, but often require manual adjustments to parameter values for
atypical cases, fail to exclude all slide and scanning artifacts from the
background, and are unable to segment adipose tissue. Pen marking artifacts in
particular can be a potential source of bias for subsequent analyses if not
removed. In addition, several applications require the separation of individual
cross-sections, which can be challenging due to tissue fragmentation and
adjacent positioning. To address these problems, we develop a convolutional
neural network for tissue and pen marking segmentation using a dataset of 200
H&E stained WSIs. For separating tissue cross-sections, we propose a novel
post-processing method based on clustering predicted centroid locations of the
cross-sections in a 2D histogram. On an independent test set, the model
achieved a mean Dice score of 0.981$\pm$0.033 for tissue segmentation and a
mean Dice score of 0.912$\pm$0.090 for pen marking segmentation. The mean
absolute difference between the number of annotated and separated
cross-sections was 0.075$\pm$0.350. Our results demonstrate that the proposed
model can accurately segment H&E stained tissue cross-sections and pen markings
in WSIs while being robust to many common slide and scanning artifacts. The
model with trained model parameters and post-processing method are made
publicly available as a Python package called SlideSegmenter.
- Abstract（参考訳）: 組織分割は、背景領域を除外して全スライド画像(wsi)解析の計算コストを削減するための定期的な前処理である。
従来の画像処理技術は組織セグメンテーションによく用いられるが、非典型例のパラメータ値に手動で調整する必要があることが多く、背景からすべてのスライドやスキャンアーティファクトを排除できず、組織を分割することができない。
特にペンマーキングアーティファクトは、削除されない場合、その後の分析のバイアスとなる可能性がある。
さらに、組織断片化と隣接位置決めのために困難となる、個々の断面の分離を必要とする応用もいくつかある。
これらの問題に対処するために,200個のH&E染色WSIのデータセットを用いて組織とペンマーキングセグメンテーションのための畳み込みニューラルネットワークを開発した。
組織断面を分離するために,2次元ヒストグラムによる断面の遠心位置予測に基づく新しい後処理法を提案する。
独立したテストセットでは、このモデルは組織分割で0.981$\pm$0.033、ペンマーキングセグメンテーションで0.912$\pm$0.090という平均サイクリングスコアを達成した。
アノテーションと分離断面積の平均絶対差は0.075$\pm$0.350であった。
提案手法は,WSIにおけるH&E染色組織断面とペンマーキングを高精度に分割し,多くの一般的なスライディングやスキャニングアーティファクトに対して堅牢であることを示す。
トレーニングされたモデルパラメータと後処理メソッドを持つモデルは、slidesegmenterと呼ばれるpythonパッケージとして公開されている。
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) - 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) - Dual Attention Model with Reinforcement Learning for Classification of Histology Whole-Slide Images [8.404881822414898]
デジタル全スライド画像(WSI)は一般に顕微鏡分解能で撮影され、広い空間データを包含する。
本稿では,病理医の視覚検査に触発された2つの主成分からなる新しい二重注意アプローチを提案する。
提案手法は,WSIの10%未満を高い倍率で処理しながら,最先端の手法に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2023-02-19T22:26:25Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - Deep Feature based Cross-slide Registration [13.271717388861557]
クロススライダー画像解析は、単一スライド解析と比較して異なるバイオマーカーの表現を分析することで追加情報を提供する。
本稿では,データ駆動型特徴量を利用して剛性変換を推定するDFBR法を提案する。
論文 参考訳（メタデータ） (2022-02-21T03:25:12Z) - 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) - CryoNuSeg: A Dataset for Nuclei Instance Segmentation of Cryosectioned
H&E-Stained Histological Images [2.809445852388983]
完全アノテートされたfs由来のcryosectionedおよびh&e-stained nuclear instance segmentationデータセットであるcryonusegを紹介する。
データセットには、他の公開データセットでは利用されなかった10のヒト臓器の画像が含まれている。
論文 参考訳（メタデータ） (2021-01-02T12:34:06Z) - Assignment Flow for Order-Constrained OCT Segmentation [0.0]
網膜層厚の同定は、患者ごとに個別に行う重要な課題である。
自動セグメンテーションモデルの構築は,医用画像処理分野において重要な課題となっている。
我々は、秩序に制約された3D OCT網膜細胞層セグメンテーションのための新しい、純粋にデータ駆動型テキスト幾何学的アプローチを提案する。
論文 参考訳（メタデータ） (2020-09-10T01:57:53Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z)
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。