論文の概要: Nuclei Instance Segmentation of Cryosectioned H&E Stained Histological Images using Triple U-Net Architecture

• arxiv url: http://arxiv.org/abs/2404.12986v1
• Date: Fri, 19 Apr 2024 16:36:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 14:26:33.375632
• Title: Nuclei Instance Segmentation of Cryosectioned H&E Stained Histological Images using Triple U-Net Architecture
• Title（参考訳）: 三重U-NetアーキテクチャによるH&E染色組織像の核インスタンス分割
• Authors: Zarif Ahmed, Chowdhury Nur E Alam Siddiqi, Fardifa Fathmiul Alam, Tasnim Ahmed, Tareque Mohmud Chowdhury,
• Abstract要約: 本稿では,H&E染色画像のユニークな光学特性を活用する手法を提案する。 3分岐のU-Netアーキテクチャが実装され、各ブランチが最終的なセグメンテーション結果に寄与する。 その結果、ロバストな実験によって得られた結果は、様々な指標で最先端の結果を上回った。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Nuclei instance segmentation is crucial in oncological diagnosis and cancer pathology research. H&E stained images are commonly used for medical diagnosis, but pre-processing is necessary before using them for image processing tasks. Two principal pre-processing methods are formalin-fixed paraffin-embedded samples (FFPE) and frozen tissue samples (FS). While FFPE is widely used, it is time-consuming, while FS samples can be processed quickly. Analyzing H&E stained images derived from fast sample preparation, staining, and scanning can pose difficulties due to the swift process, which can result in the degradation of image quality. This paper proposes a method that leverages the unique optical characteristics of H&E stained images. A three-branch U-Net architecture has been implemented, where each branch contributes to the final segmentation results. The process includes applying watershed algorithm to separate overlapping regions and enhance accuracy. The Triple U-Net architecture comprises an RGB branch, a Hematoxylin branch, and a Segmentation branch. This study focuses on a novel dataset named CryoNuSeg. The results obtained through robust experiments outperform the state-of-the-art results across various metrics. The benchmark score for this dataset is AJI 52.5 and PQ 47.7, achieved through the implementation of U-Net Architecture. However, the proposed Triple U-Net architecture achieves an AJI score of 67.41 and PQ of 50.56. The proposed architecture improves more on AJI than other evaluation metrics, which further justifies the superiority of the Triple U-Net architecture over the baseline U-Net model, as AJI is a more strict evaluation metric. The use of the three-branch U-Net model, followed by watershed post-processing, significantly surpasses the benchmark scores, showing substantial improvement in the AJI score
• Abstract（参考訳）: 核インスタンスセグメンテーションは腫瘍診断と癌病理研究において重要である。 H&E染色画像は一般的に診断に使用されるが、画像処理に使用するには前処理が必要である。 2つの主要な前処理方法は、ホルマリン固定パラフィン埋め込みサンプル(FFPE)と凍結組織サンプル(FS)である。 FFPEは広く使われているが、時間がかかり、FSサンプルは迅速に処理できる。 高速試料調製、染色、走査から得られたH&E染色画像を解析することは、迅速化による困難を生じさせ、画質の劣化を招く可能性がある。 本稿では,H&E染色画像のユニークな光学特性を活用する手法を提案する。 3分岐のU-Netアーキテクチャが実装され、各ブランチが最終的なセグメンテーション結果に寄与する。 このプロセスは、オーバーラップする領域を分離し、精度を高めるために、流域アルゴリズムを適用することを含む。 Triple U-Netアーキテクチャは、RGBブランチ、ヘマトキシリンブランチ、セグメンテーションブランチを含む。 本研究はCryoNuSegという新しいデータセットに焦点を当てる。 その結果、ロバストな実験によって得られた結果は、様々な指標で最先端の結果を上回った。 このデータセットのベンチマークスコアは、U-Net Architectureの実装によって達成されたAJI 52.5とPQ 47.7である。 しかし、提案されたトリプルU-Netアーキテクチャは、AJIスコア67.41、PQ50.56を達成している。 提案したアーキテクチャは他の評価指標よりもAJIの方が優れており、AJIはより厳密な評価基準であるため、ベースラインのU-NetモデルよりもトリプルなU-Netアーキテクチャの優位性をさらに正当化する。 3分岐U-Netモデルの使用と水洗後処理は、ベンチマークスコアを大幅に上回り、AJIスコアを大幅に改善した。

関連論文リスト

• Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
  We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。 異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。 TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
  論文  参考訳（メタデータ） (2024-10-04T10:03:04Z)
• A Trio-Method for Retinal Vessel Segmentation using Image Processing [0.0]
  本稿では,三重前処理法を用いて網膜血管の分画に焦点を当てた。 2つの提案されたU-Netアーキテクチャは、すべての標準的なパフォーマンス指標で比較された。 このリアルタイムデプロイメントは、セグメンテーションと検出を向上した画像の効率的な前処理を支援する。
  論文  参考訳（メタデータ） (2022-09-19T22:07:34Z)
• Highly Accurate Dichotomous Image Segmentation [139.79513044546]
  Dichotomous Image segmentation (DIS)と呼ばれる新しいタスクは、自然画像から高度に正確な物体を抽出することを目的としている。 私たちは、5,470の高解像度画像(例えば、2K、4K以上の画像)を含む最初の大規模データセットdis5Kを収集します。 また、Disdisモデルトレーニングのための特徴レベルとマスクレベルの両方のガイダンスを用いて、単純な中間監視ベースライン(IS-Net)を導入する。
  論文  参考訳（メタデータ） (2022-03-06T20:09:19Z)
• Deep ensembles based on Stochastic Activation Selection for Polyp Segmentation [82.61182037130406]
  本研究は,大腸内視鏡検査における画像分割,特に正確なポリープ検出とセグメンテーションを扱う。 イメージセグメンテーションの基本アーキテクチャはエンコーダとデコーダで構成されている。 我々はデコーダのバックボーンを変更することで得られるDeepLabアーキテクチャのバリエーションを比較した。
  論文  参考訳（メタデータ） (2021-04-02T02:07:37Z)
• Boundary-Aware Segmentation Network for Mobile and Web Applications [60.815545591314915]
  境界認識ネットワーク(basnet)は、精度の高い画像分割のための予測再定義アーキテクチャとハイブリッド損失と統合されている。 basnetは単一のgpu上で70fps以上動作し、多くの潜在的なアプリケーションが利用できる。 BASNetをベースに、BASNetが「COPY」と「PASTING」現実世界のオブジェクトのための拡張現実であるAR COPY & PASTEと、オブジェクト背景の自動削除のためのWebベースのツールであるOBJECT CUTの2つの(近い)商用アプリケーションをさらに開発しました。
  論文  参考訳（メタデータ） (2021-01-12T19:20:26Z)
• KiU-Net: Overcomplete Convolutional Architectures for Biomedical Image and Volumetric Segmentation [71.79090083883403]
  トラディショナル・エンコーダ・デコーダに基づく手法は, より小さな構造を検出でき, 境界領域を正確に分割できない。 本稿では,(1)入力の細部と正確なエッジを捉えることを学ぶ完全畳み込みネットワークKite-Netと,(2)高レベルの特徴を学習するU-Netの2つの枝を持つKiU-Netを提案する。 提案手法は,より少ないパラメータとより高速な収束の利点により,最近のすべての手法と比較して性能が向上する。
  論文  参考訳（メタデータ） (2020-10-04T19:23:33Z)
• Greenhouse Segmentation on High-Resolution Optical Satellite Imagery using Deep Learning Techniques [0.0]
  本稿では,光衛星アゼルスキー (SPOT-7) が取得した画像の画素ワイズ分類のための音響手法を提案する。 U-Netのようなアーキテクチャのカスタマイズされたバリエーションは、温室を特定するために使用される。 拡張畳み込みとスキップ接続を独自に組み込んだ2つのモデルが提案されている。
  論文  参考訳（メタデータ） (2020-07-22T06:12:57Z)
• U-Net Based Architecture for an Improved Multiresolution Segmentation in Medical Images [0.0]
  我々は,マルチレゾリューション・フレームワークを用いた画像分割のための完全畳み込みニューラルネットワークを提案している。 提案したアーキテクチャ(mrU-Net)では、入力画像とそのダウンサンプルバージョンをネットワーク入力として使用した。 ネットワークを4つの異なる医療データセットでトレーニングし、テストしました。
  論文  参考訳（メタデータ） (2020-07-16T10:19:01Z)
• Cyclic Differentiable Architecture Search [99.12381460261841]
  微分可能なArchiTecture Search(DARTS)は、ニューラルアーキテクチャサーチにおいて大きな注目を集めている。 我々はCDARTSと呼ばれる新しい共同目標と新しい周期微分可能なArchiTecture Searchフレームワークを提案する。 DARTS検索の分野では、CIFAR10で97.52%、ImageNetで76.3%、トップ1で76.3%の精度を達成した。
  論文  参考訳（メタデータ） (2020-06-18T17:55:19Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。