論文の概要: HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis
- arxiv url: http://arxiv.org/abs/2407.00596v1
- Date: Sun, 30 Jun 2024 05:35:26 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-04 02:26:49.449774
- Title: HATs: Hierarchical Adaptive Taxonomy Segmentation for Panoramic Pathology Image Analysis
- Title(参考訳): HATs:パノラマ画像解析のための階層的適応型分類セグメンテーション
- Authors: Ruining Deng, Quan Liu, Can Cui, Tianyuan Yao, Juming Xiong, Shunxing Bao, Hao Li, Mengmeng Yin, Yu Wang, Shilin Zhao, Yucheng Tang, Haichun Yang, Yuankai Huo,
- Abstract要約: パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。
本稿では, 腎臓構造のパノラマ像を, 詳細な解剖学的知見を生かして網羅的に把握することを目的とした, 階層型適応分類法を提案する。
提案手法では,各領域,機能単位,細胞にまたがる空間的関係を多機能な「プラグ・アンド・プレイ」損失関数に変換する革新的HATs手法と,解剖学的階層化と大規模考察を,全パノラマ要素に統一された単純な行列表現に変換すること,そして,(3)。
- 参考スコア(独自算出の注目度): 19.04633470168871
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Panoramic image segmentation in computational pathology presents a remarkable challenge due to the morphologically complex and variably scaled anatomy. For instance, the intricate organization in kidney pathology spans multiple layers, from regions like the cortex and medulla to functional units such as glomeruli, tubules, and vessels, down to various cell types. In this paper, we propose a novel Hierarchical Adaptive Taxonomy Segmentation (HATs) method, which is designed to thoroughly segment panoramic views of kidney structures by leveraging detailed anatomical insights. Our approach entails (1) the innovative HATs technique which translates spatial relationships among 15 distinct object classes into a versatile "plug-and-play" loss function that spans across regions, functional units, and cells, (2) the incorporation of anatomical hierarchies and scale considerations into a unified simple matrix representation for all panoramic entities, (3) the adoption of the latest AI foundation model (EfficientSAM) as a feature extraction tool to boost the model's adaptability, yet eliminating the need for manual prompt generation in conventional segment anything model (SAM). Experimental findings demonstrate that the HATs method offers an efficient and effective strategy for integrating clinical insights and imaging precedents into a unified segmentation model across more than 15 categories. The official implementation is publicly available at https://github.com/hrlblab/HATs.
- Abstract(参考訳): パノラマ画像分割は、形態学的に複雑で可変スケールの解剖学のため、顕著な課題である。
例えば、腎臓病理学における複雑な組織は、大脳皮質や髄質のような領域から、糸球体、尿細管、血管などの機能単位まで、複数の層にまたがる。
本稿では, 詳細な解剖学的知見を活用して, 腎臓構造のパノラマ像を網羅的に区分する新しい階層型適応型分類分類分類法を提案する。
提案手法は,15の異なる対象クラス間の空間的関係を,領域,機能単位,細胞にまたがる汎用的な「プラグ・アンド・プレイ」損失関数に変換する革新的なHAT技術,(2)解剖学的階層の組み入れと,すべてのパノラマエンティティに対する統一された単純な行列表現へのスケール考察,(3)モデルの適応性を向上する機能抽出ツールとしての最新のAI基盤モデル(EfficientSAM)の採用,そして従来のセグメントモデル(SAM)において手動のプロンプト生成の必要性を排除した。
実験結果から,HATs法は臨床所見と画像前例を15以上のカテゴリにまたがる統合セグメンテーションモデルに統合するための効率的かつ効果的な方法であることが示された。
公式実装はhttps://github.com/hrlblab/HATsで公開されている。
関連論文リスト
- ShapeMamba-EM: Fine-Tuning Foundation Model with Local Shape Descriptors and Mamba Blocks for 3D EM Image Segmentation [49.42525661521625]
本稿では3次元EMセグメンテーションのための特殊微調整法であるShapeMamba-EMを提案する。
5つのセグメンテーションタスクと10のデータセットをカバーする、幅広いEMイメージでテストされている。
論文 参考訳(メタデータ) (2024-08-26T08:59:22Z) - PFPs: Prompt-guided Flexible Pathological Segmentation for Diverse Potential Outcomes Using Large Vision and Language Models [12.895542069443438]
セグメンテーションの柔軟性を高めるために,従来のタスクトークンと並行して,LLM(Large Language Model)を通じて様々なタスクプロンプトを導入する。
コントリビューションは,(1)フレキシブルなマルチクラスセグメンテーションを誘導するために微調整言語プロンプトを用いた計算効率の高いパイプラインを構築し,(2)セグメンテーション性能を自由テキストに対する固定プロンプトと比較し,(3)マルチタスク腎病理セグメンテーションデータセットとそれに対応する各種自由テキストプロンプトを設計する。
論文 参考訳(メタデータ) (2024-07-13T18:51:52Z) - Anatomy-guided Pathology Segmentation [56.883822515800205]
本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。
我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。
これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
論文 参考訳(メタデータ) (2024-07-08T11:44:15Z) - Teaching AI the Anatomy Behind the Scan: Addressing Anatomical Flaws in Medical Image Segmentation with Learnable Prior [34.54360931760496]
臓器の数、形状、相対的な位置などの重要な解剖学的特徴は、堅牢な多臓器分割モデルの構築に不可欠である。
我々は Anatomy-Informed Network (AIC-Net) と呼ばれる新しいアーキテクチャを導入する。
AIC-Netは、患者固有の解剖学に適応できる「解剖学的事前」と呼ばれる学習可能な入力を組み込んでいる。
論文 参考訳(メタデータ) (2024-03-27T10:46:24Z) - 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) - Domain Adaptive Nuclei Instance Segmentation and Classification via
Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。
我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文 参考訳(メタデータ) (2022-07-04T07:05:06Z) - Generalized Organ Segmentation by Imitating One-shot Reasoning using
Anatomical Correlation [55.1248480381153]
そこで我々は,アノテーション付きオルガンクラスから一般化されたオルガン概念を学習し,その概念を未知のクラスに転送するOrganNetを提案する。
そこで,OrganNetは臓器形態の幅広い変化に効果的に抵抗でき,一発分節タスクで最先端の結果が得られることを示す。
論文 参考訳(メタデータ) (2021-03-30T13:41:12Z) - Classifying Breast Histopathology Images with a Ductal Instance-Oriented
Pipeline [10.605775819074886]
ダクトレベルセグナーは、顕微鏡画像内で各ダクトの個人を識別しようとする。
その後、特定されたダクタルインスタンスから組織レベルの情報を抽出します。
提案されたDIOPは、推論時間で実行するのに数秒しかかからない。
論文 参考訳(メタデータ) (2020-12-11T05:43:12Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳(メタデータ) (2020-12-10T04:01:07Z) - Contour Transformer Network for One-shot Segmentation of Anatomical
Structures [26.599337546171732]
本稿では,自然に組み込まれたループ機構を備えたワンショット解剖分類手法であるContour Transformer Network(CTN)を提案する。
4つの解剖学のセグメンテーションタスクにおいて、我々のワンショット学習法が非学習的手法を著しく上回っていることを示す。
最小限のHuman-in-the-loop編集フィードバックにより、セグメンテーション性能は、完全に教師されたメソッドを超えるようにさらに改善される。
論文 参考訳(メタデータ) (2020-12-02T19:42:18Z) - Contrastive Representation Learning for Whole Brain Cytoarchitectonic
Mapping in Histological Human Brain Sections [0.4588028371034407]
本稿では,顕微鏡画像パッチを頑健な微細構造特徴に符号化するための対照的な学習手法を提案する。
この学習課題を用いて事前学習したモデルは、最近提案された補助課題に基づいて事前学習したモデルと同様に、スクラッチから訓練したモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2020-11-25T16:44:23Z)
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。