論文の概要: NOISe: Nuclei-Aware Osteoclast Instance Segmentation for Mouse-to-Human Domain Transfer
- arxiv url: http://arxiv.org/abs/2404.10130v1
- Date: Mon, 15 Apr 2024 20:37:52 GMT
- ステータス: 処理完了
- システム内更新日: 2024-04-17 18:51:25.412152
- Title: NOISe: Nuclei-Aware Osteoclast Instance Segmentation for Mouse-to-Human Domain Transfer
- Title（参考訳）: NOISe : マウス-ヒト間ドメイン移植におけるNucli-Aware osteoclast Instance Segmentation
- Authors: Sai Kumar Reddy Manne, Brendan Martin, Tyler Roy, Ryan Neilson, Rebecca Peters, Meghana Chillara, Christine W. Lary, Katherine J. Motyl, Michael Wan,
- Abstract要約: 破骨細胞画像解析は 骨粗しょう症研究において 重要な役割を担っている
私たちの知る限り、これは完全な破骨細胞インスタンス分割タスクを自動化する最初の作業です。
骨芽細胞の特異な生物学に基づく新しい核認識型破骨細胞インスタンスセグメンテーション訓練戦略を提案する。
- 参考スコア（独自算出の注目度）: 1.4753071237394257
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Osteoclast cell image analysis plays a key role in osteoporosis research, but it typically involves extensive manual image processing and hand annotations by a trained expert. In the last few years, a handful of machine learning approaches for osteoclast image analysis have been developed, but none have addressed the full instance segmentation task required to produce the same output as that of the human expert led process. Furthermore, none of the prior, fully automated algorithms have publicly available code, pretrained models, or annotated datasets, inhibiting reproduction and extension of their work. We present a new dataset with ~2*10^5 expert annotated mouse osteoclast masks, together with a deep learning instance segmentation method which works for both in vitro mouse osteoclast cells on plastic tissue culture plates and human osteoclast cells on bone chips. To our knowledge, this is the first work to automate the full osteoclast instance segmentation task. Our method achieves a performance of 0.82 mAP_0.5 (mean average precision at intersection-over-union threshold of 0.5) in cross validation for mouse osteoclasts. We present a novel nuclei-aware osteoclast instance segmentation training strategy (NOISe) based on the unique biology of osteoclasts, to improve the model's generalizability and boost the mAP_0.5 from 0.60 to 0.82 on human osteoclasts. We publish our annotated mouse osteoclast image dataset, instance segmentation models, and code at github.com/michaelwwan/noise to enable reproducibility and to provide a public tool to accelerate osteoporosis research.
- Abstract（参考訳）: 破骨細胞画像解析は骨粗しょう症研究において重要な役割を担っているが、通常は訓練された専門家による手動画像処理と手動アノテーションが関与する。
ここ数年、破骨細胞画像解析のための機械学習アプローチがいくつか開発されているが、人間の専門家がリードするプロセスと同じ出力を生成するために必要な完全なインスタンス分割タスクには、対応していない。
さらに、以前の完全に自動化されたアルゴリズムのどれも、公開コード、事前訓練されたモデル、あるいは注釈付きデータセットを持っておらず、彼らの作業の再現と拡張を阻害している。
2*10^5のアノテートマウス破骨細胞マスクを用いた新しいデータセットと,プラスチック組織培養板上のin vitroマウス破骨細胞と骨チップ上のヒト破骨細胞の両方を対象とした深層学習例セグメンテーション法を提案する。
私たちの知る限り、これは完全な破骨細胞インスタンス分割タスクを自動化する最初の作業です。
本手法は, マウス破骨細胞に対するクロスバリデーションにおいて, 0.82 mAP_0.5 の精度を実現している。
骨芽細胞の特異な生物学に基づく新しい核認識型破骨細胞インスタンスセグメンテーション訓練戦略(NOISe)を提案し, モデルの一般化性を向上し, ヒト破骨細胞のmAP_0.5を0.60から0.82に増強する。
われわれはgithub.com/michaelwwan/noiseのアノテーション付きマウス破骨細胞画像データセット、インスタンスセグメンテーションモデル、コードを公開した。
関連論文リスト
- Shape Matters: Detecting Vertebral Fractures Using Differentiable
Point-Based Shape Decoding [51.38395069380457]
変性性脊椎疾患は高齢者に多い。
骨粗しょう性骨折やその他の変性変形性骨折のタイムリーな診断は、重度の腰痛や障害のリスクを軽減するための前向きな処置を促進する。
本研究では,脊椎動物に対する形状自動エンコーダの使用について検討する。
論文 参考訳（メタデータ） (2023-12-08T18:11:22Z) - Osteoporosis Prediction from Hand and Wrist X-rays using Image
Segmentation and Self-Supervised Learning [2.9909606678660587]
Dual-Energy X-ray absorptiometry (DXA)のような骨密度試験に限定的にアクセスするため、診断も治療も行われていない慢性代謝性骨疾患である。
本稿では手・手首X線画像を用いた骨粗しょう症の予測手法を提案する。
論文 参考訳（メタデータ） (2023-11-12T13:19:00Z) - Deep Learning for Predicting Progression of Patellofemoral
Osteoarthritis Based on Lateral Knee Radiographs, Demographic Data and
Symptomatic Assessments [1.1549572298362785]
本研究はMOST研究のベースラインから被験者(被験者1832名,膝3276名)を抽出した。
PF関節領域は, 側膝X線上の自動ランドマーク検出ツール(BoneFinder)を用いて同定した。
年齢、性別、BMIおよびWOMACスコア、および大腿骨関節X線学的関節炎ステージ(KLスコア)の危険因子について
論文 参考訳（メタデータ） (2023-05-10T06:43:33Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Using machine learning on new feature sets extracted from 3D models of
broken animal bones to classify fragments according to break agent [53.796331564067835]
ホミニン骨破壊による骨片と肉食動物による骨片の識別を目的とした骨折パターン解析への新しいアプローチを提案する。
この方法では、断片的な骨の3Dモデルを用いて、これまで骨折パターン解析に使用されていた特徴セットよりも透明性が高くレプリカ性の高いデータセットを抽出する。
監視された機械学習アルゴリズムは、骨断片を破片のエージェントに従って適切に分類するために使用され、平均的精度はテスト全体で77%である。
論文 参考訳（メタデータ） (2022-05-20T20:16:21Z) - Development of an algorithm for medical image segmentation of bone
tissue in interaction with metallic implants [58.720142291102135]
本研究では,金属インプラントとの接触部における骨成長の計算アルゴリズムを開発した。
骨とインプラント組織はトレーニングデータセットに手動でセグメンテーションされた。
ネットワーク精度の面では、モデルは約98%に達した。
論文 参考訳（メタデータ） (2022-04-22T08:17:20Z) - Breast Cancer Induced Bone Osteolysis Prediction Using Temporal
Variational Auto-Encoders [65.95959936242993]
骨分解性骨病変の進展を正確に予測し,可視化する深層学習フレームワークを開発した。
乳癌患者の骨格関連事象(SRE)を予防するための治療戦略の計画と評価を支援する。
論文 参考訳（メタデータ） (2022-03-20T21:00:10Z) - Deep Learning to Segment Pelvic Bones: Large-scale CT Datasets and
Baseline Models [20.061463073787234]
複数のソースと異なるメーカからプールされた大きな骨盤CTデータセットをキュレートすることで、データギャップを埋めることを目指している。
腰椎、仙骨、左股関節、右股関節を分割するための深いマルチクラスのネットワークを学ぶために、私たちの知識を最大限に活用するために、初めて提案します。
最後に,符号付き距離関数(SDF)に基づく後処理ツールを導入し,誤予測を排除した。
論文 参考訳（メタデータ） (2020-12-16T03:30:40Z) - Generative Modelling of 3D in-silico Spongiosa with Controllable
Micro-Structural Parameters [1.0804061924593265]
本稿では, シリコン中の現実的な骨構造を生成するために, 生成的対向ネットワークの最近の進歩を適用することを提案する。
最初のステップでは、ワッサーシュタインの目的と勾配のペナルティを用いて、累積生成モデルを漸進的に訓練した。
骨粗しょう症治療後の骨構造をシミュレートし, 骨粗しょうの治療効果について検討した。
論文 参考訳（メタデータ） (2020-09-23T18:11:47Z) - Automatic Grading of Knee Osteoarthritis on the Kellgren-Lawrence Scale
from Radiographs Using Convolutional Neural Networks [0.0]
本稿では,Kelgren-Lawrence(KL)スケールで膝関節X線写真を自動的に評価するための畳み込みニューラルネットワークを用いた新しい手法を提案する。
第1段階では物体検出モデルが画像の残りの部分から個々の膝を分割し,第2段階では回帰モデルが各膝をKLスケールで別々に評価する。
論文 参考訳（メタデータ） (2020-04-18T09:46:55Z) - Anatomy-aware 3D Human Pose Estimation with Bone-based Pose
Decomposition [92.99291528676021]
3次元関節位置を直接回帰するのではなく,骨方向予測と骨長予測に分解する。
私たちのモチベーションは、人間の骨格の骨の長さが時間とともに一定であることにあります。
我々の完全なモデルは、Human3.6MとMPI-INF-3DHPデータセットにおいて、以前の最高の結果よりも優れています。
論文 参考訳（メタデータ） (2020-02-24T15:49:37Z)
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。