論文の概要: Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell
segmentation in bright-field histological images
- arxiv url: http://arxiv.org/abs/2401.15638v1
- Date: Sun, 28 Jan 2024 12:22:34 GMT
- ステータス: 処理完了
- システム内更新日: 2024-01-30 17:15:40.285160
- Title: Cyto R-CNN and CytoNuke Dataset: Towards reliable whole-cell
segmentation in bright-field histological images
- Title（参考訳）: Cyto R-CNN と CytoNuke データセット: 明視野組織像における信頼性の高い全細胞分画を目指して
- Authors: Johannes Raufeisen, Kunpeng Xie, Fabian H\"orst, Till Braunschweig,
Jianning Li, Jens Kleesiek, Rainer R\"ohrig, Jan Egger, Bastian Leibe, Frank
H\"olzle, Alexander Hermans and Behrus Puladi
- Abstract要約: 我々は,セル全体を鮮視野画像に正確に分割できるネットワークアーキテクチャCyto R-CNNを提案する。
また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
- 参考スコア（独自算出の注目度）: 44.83069198478997
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Background: Cell segmentation in bright-field histological slides is a
crucial topic in medical image analysis. Having access to accurate segmentation
allows researchers to examine the relationship between cellular morphology and
clinical observations. Unfortunately, most segmentation methods known today are
limited to nuclei and cannot segmentate the cytoplasm.
Material & Methods: We present a new network architecture Cyto R-CNN that is
able to accurately segment whole cells (with both the nucleus and the
cytoplasm) in bright-field images. We also present a new dataset CytoNuke,
consisting of multiple thousand manual annotations of head and neck squamous
cell carcinoma cells. Utilizing this dataset, we compared the performance of
Cyto R-CNN to other popular cell segmentation algorithms, including QuPath's
built-in algorithm, StarDist and Cellpose. To evaluate segmentation
performance, we calculated AP50, AP75 and measured 17 morphological and
staining-related features for all detected cells. We compared these
measurements to the gold standard of manual segmentation using the
Kolmogorov-Smirnov test.
Results: Cyto R-CNN achieved an AP50 of 58.65\% and an AP75 of 11.56\% in
whole-cell segmentation, outperforming all other methods (QuPath
$19.46/0.91\%$; StarDist $45.33/2.32\%$; Cellpose $31.85/5.61\%$). Cell
features derived from Cyto R-CNN showed the best agreement to the gold standard
($\bar{D} = 0.15$) outperforming QuPath ($\bar{D} = 0.22$), StarDist ($\bar{D}
= 0.25$) and Cellpose ($\bar{D} = 0.23$).
Conclusion: Our newly proposed Cyto R-CNN architecture outperforms current
algorithms in whole-cell segmentation while providing more reliable cell
measurements than any other model. This could improve digital pathology
workflows, potentially leading to improved diagnosis. Moreover, our published
dataset can be used to develop further models in the future.
- Abstract（参考訳）: 背景: 医用画像解析において, 明視野組織スライドにおける細胞分画は重要な課題である。
正確なセグメンテーションにアクセスすることで、細胞形態と臨床観察との関係を調べることができる。
残念なことに、今日知られているほとんどのセグメンテーション法は核に限られており、細胞質をセグメンテーションすることができない。
材料と方法:我々は、明るい視野の画像で(核と細胞質の両方を含む)全細胞を正確に分割できる新しいネットワークアーキテクチャであるcyto r-cnnを提案する。
また,頭頸部扁平上皮癌細胞に対する数千の手動アノテーションからなる新しいデータセットCytoNukeも提示した。
このデータセットを用いて,cyto r-cnnの性能をqupathの組み込みアルゴリズム,stardist,cellposeなど,他の一般的なセルセグメンテーションアルゴリズムと比較した。
セグメンテーション性能を評価するため,AP50,AP75を算出し,全検出細胞に対する17形態および染色関連特性を測定した。
我々はこれらの測定をKolmogorov-Smirnovテストを用いて手動セグメンテーションのゴールド標準と比較した。
結果: cyto r-cnn は ap50 58.65\% と ap75 を全セルセグメンテーションで 11.56\% で達成し、他の方法よりも優れていた(qupath $19.46/0.91\%$; stardist $45.33/2.32\%$; cellpose $31.85/5.61\%$)。
Cyto R-CNNから派生したセル特徴は、金の標準値(\bar{D} = 0.15$)がQuPath$\bar{D} = 0.22$)、StarDist$\bar{D} = 0.25$)、Cellpose$\bar{D} = 0.23$)を上回っていることを示している。
結論:新たに提案したCyto R-CNNアーキテクチャは,どのモデルよりも信頼性の高いセル計測を提供しながら,全セルセグメンテーションにおいて現在のアルゴリズムより優れている。
これはデジタル病理ワークフローを改善し、診断を改善する可能性がある。
さらに,我々のデータセットは将来,さらなるモデル開発に利用することができる。
関連論文リスト
- SoftCTM: Cell detection by soft instance segmentation and consideration
of cell-tissue interaction [0.0]
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。
論文 参考訳（メタデータ） (2023-12-19T13:33:59Z) - scBiGNN: Bilevel Graph Representation Learning for Cell Type
Classification from Single-cell RNA Sequencing Data [62.87454293046843]
グラフニューラルネットワーク(GNN)は、セルタイプの自動分類に広く利用されている。
scBiGNNは2つのGNNモジュールから構成され、細胞型を識別する。
scBiGNNは、scRNA-seqデータから細胞型分類のための様々な方法より優れている。
論文 参考訳（メタデータ） (2023-12-16T03:54:26Z) - 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) - Comparative analysis of deep learning approaches for AgNOR-stained
cytology samples interpretation [52.77024349608834]
本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。
以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。
最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
論文 参考訳（メタデータ） (2022-10-19T15:15:32Z) - EfficientCellSeg: Efficient Volumetric Cell Segmentation Using Context
Aware Pseudocoloring [4.555723508665994]
ボリュームセルセグメンテーションのための小さな畳み込みニューラルネットワーク(CNN)を導入する。
我々のモデルは効率的で非対称なエンコーダ・デコーダ構造を持ち、デコーダにはほとんどパラメータがない。
我々のCNNモデルは,他の上位手法に比べて最大25倍のパラメータ数を持つ。
論文 参考訳（メタデータ） (2022-04-06T18:02:15Z) - Acute Lymphoblastic Leukemia Detection from Microscopic Images Using
Weighted Ensemble of Convolutional Neural Networks [4.095759108304108]
本稿では,深層畳み込みニューラルネットワーク(cnns)を用いた顕微鏡細胞画像からの全検出タスクを自動化した。
ネットワークのより優れた一般化を達成するために、様々なデータ拡張と前処理が組み込まれている。
提案する重み付きアンサンブルモデルでは, アンサンブル候補のカッパ値を重みとして, 重み付きF1スコア88.6 %, バランス付き精度86.2 %, 予備試験セットのAUC0.941を出力した。
論文 参考訳（メタデータ） (2021-05-09T18:58:48Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - 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) - SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with
Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。
本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。
先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
論文 参考訳（メタデータ） (2020-05-30T16:01:31Z) - A Systematic Approach to Featurization for Cancer Drug Sensitivity
Predictions with Deep Learning [49.86828302591469]
35,000以上のニューラルネットワークモデルをトレーニングし、一般的な成果化技術を駆使しています。
RNA-seqは128以上のサブセットであっても非常に冗長で情報的であることがわかった。
論文 参考訳（メタデータ） (2020-04-30T20:42:17Z)
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。