Fugu-MT 論文翻訳(概要): Pushing the limits of cell segmentation models for imaging mass cytometry

論文の概要: Pushing the limits of cell segmentation models for imaging mass cytometry

arxiv url: http://arxiv.org/abs/2402.04446v1
Date: Tue, 6 Feb 2024 22:32:05 GMT
ステータス: 処理完了
システム内更新日: 2024-02-08 17:30:00.735073
Title: Pushing the limits of cell segmentation models for imaging mass cytometry
Title（参考訳）: 質量細胞計測のための細胞セグメンテーションモデルの限界を押し上げる
Authors: Kimberley M. Bird, Xujiong Ye, Alan M. Race, James M. Brown
Abstract要約: 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。
参考スコア（独自算出の注目度）: 0.6003166991970345
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Imaging mass cytometry (IMC) is a relatively new technique for imaging biological tissue at subcellular resolution. In recent years, learning-based segmentation methods have enabled precise quantification of cell type and morphology, but typically rely on large datasets with fully annotated ground truth (GT) labels. This paper explores the effects of imperfect labels on learning-based segmentation models and evaluates the generalisability of these models to different tissue types. Our results show that removing 50% of cell annotations from GT masks only reduces the dice similarity coefficient (DSC) score to 0.874 (from 0.889 achieved by a model trained on fully annotated GT masks). This implies that annotation time can in fact be reduced by at least half without detrimentally affecting performance. Furthermore, training our single-tissue model on imperfect labels only decreases DSC by 0.031 on an unseen tissue type compared to its multi-tissue counterpart, with negligible qualitative differences in segmentation. Additionally, bootstrapping the worst-performing model (with 5% of cell annotations) a total of ten times improves its original DSC score of 0.720 to 0.829. These findings imply that less time and work can be put into the process of producing comparable segmentation models; this includes eliminating the need for multiple IMC tissue types during training, whilst also providing the potential for models with very few labels to improve on themselves. Source code is available on GitHub: https://github.com/kimberley/ISBI2024.
Abstract（参考訳）: imaging mass cytometry (imc) は比較的新しい生体組織を細胞内分解能でイメージングする技術である。近年、学習に基づくセグメンテーション手法により、細胞型と形態の正確な定量化が可能になっているが、一般的には、完全に注釈付き基底真理(gt)ラベルを持つ大規模データセットに依存している。本稿では,不完全ラベルが学習ベースセグメンテーションモデルに及ぼす影響について検討し,これらのモデルの組織タイプへの一般化性を評価する。以上の結果から,GTマスクから50%の細胞アノテーションを除去すると,DSCスコアは0.874に低下する(GTマスクで訓練したモデルによる0.889から)。これは、アノテーションの時間がパフォーマンスに悪影響を及ぼすことなく、少なくとも半分削減できることを意味する。さらに,不完全ラベルを用いた単発モデルの訓練では,多発組織型に比べてdscが0.031減少し,セグメンテーションの質的差異が無視できる。さらに、最悪のパフォーマンスモデル(5%の細胞アノテーションを含む)をブートストラッピングすると、10倍のDSCスコアが0.720から0.829に向上する。これらの知見は、トレーニング中に複数のIMC組織タイプの必要性を排除し、また、ラベルがほとんどないモデルが自分自身で改善する可能性も提供することを含む、同等のセグメンテーションモデルを作成するプロセスに、時間と作業が費やされる可能性があることを示唆している。ソースコードはgithubにある。 https://github.com/kimberley/isbi2024。

関連論文リスト

Patch-Based and Non-Patch-Based inputs Comparison into Deep Neural Models: Application for the Segmentation of Retinal Diseases on Optical Coherence Tomography Volumes [0.3749861135832073]
AMDは、2040年までに2億8800万人に達すると予想されている。ディープラーニングネットワークは、画像とピクセルレベルの2Dスキャンの分類において有望な結果を示している。 DSC測定値のパッチベースモデルが最も高いスコアは0.88であり、SRF流体セグメンテーションの非パッチベースでは0.71であった。
論文参考訳（メタデータ） (2025-01-22T10:22:08Z)
TotalSegmentator MRI: Sequence-Independent Segmentation of 59 Anatomical Structures in MR images [62.53931644063323]
本研究では,TotalSegmentatorをMR画像に拡張した。このデータセットに基づいてnnU-Netセグメンテーションアルゴリズムを訓練し、類似度係数(Dice)を計算し、モデルの性能を評価した。このモデルは、他の2つの公開セグメンテーションモデル(Dice score 0.824 vs 0.762; p0.001 and 0.762 versus 0.542; p)を大きく上回った。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
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)
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)
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)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Treatment classification of posterior capsular opacification (PCO) using automated ground truths [0.0]
本稿では,PCO画像をまず分類し,必要なテキスト処理と不要なテキスト処理に分類する,深層学習(DL)に基づく手法を提案する。モデルのトレーニングには, (i) マニュアルと (ii) 自動の2つの戦略から得られるグラウンド・真実(GT)をセットしたトレーニング画像を作成する。
論文参考訳（メタデータ） (2022-11-11T10:36:42Z)
Feature-enhanced Adversarial Semi-supervised Semantic Segmentation Network for Pulmonary Embolism Annotation [6.142272540492936]
本研究は,肺塞栓病変領域を自動診断する機能強化逆行性半教師付きセマンティックセマンティックセグメンテーションモデルを構築した。近年のPEAイメージセグメンテーション手法は,教師あり学習によって訓練されている。本研究では,少量の未ラベル画像を追加することで,異なるデータセットに適用可能なモデルを構築するための半教師付き学習手法を提案する。
論文参考訳（メタデータ） (2022-04-08T04:21:02Z)
Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。タイルサイズと入力戦略の影響について検討した。
論文参考訳（メタデータ） (2021-09-14T09:42:37Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)

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。