Fugu-MT 論文翻訳(概要): CS3: Cascade SAM for Sperm Segmentation

論文の概要: CS3: Cascade SAM for Sperm Segmentation

arxiv url: http://arxiv.org/abs/2407.03772v1
Date: Thu, 4 Jul 2024 09:32:34 GMT
ステータス: 処理完了
システム内更新日: 2024-07-08 18:42:12.535280
Title: CS3: Cascade SAM for Sperm Segmentation
Title（参考訳）: CS3: spermセグメンテーションのためのカスケードSAM
Authors: Yi Shi, Xu-Peng Tian, Yun-Kai Wang, Tie-Yi Zhang, Bin Yao, Hui Wang, Yong Shao, Cen-Cen Wang, Rong Zeng, De-Chuan Zhan,
Abstract要約: 精子重複問題に対処するために設計された無監督のアプローチであるCascade SAM for Sperm(CS3)を提案する。主要な医療機関と共同で約2000枚の未ラベル精子画像からなるデータセットを作成した。実験の結果,既存手法と比較してCS3の性能は優れていた。
参考スコア（独自算出の注目度）: 31.108179290836848
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Automated sperm morphology analysis plays a crucial role in the assessment of male fertility, yet its efficacy is often compromised by the challenges in accurately segmenting sperm images. Existing segmentation techniques, including the Segment Anything Model(SAM), are notably inadequate in addressing the complex issue of sperm overlap-a frequent occurrence in clinical samples. Our exploratory studies reveal that modifying image characteristics by removing sperm heads and easily segmentable areas, alongside enhancing the visibility of overlapping regions, markedly enhances SAM's efficiency in segmenting intricate sperm structures. Motivated by these findings, we present the Cascade SAM for Sperm Segmentation (CS3), an unsupervised approach specifically designed to tackle the issue of sperm overlap. This method employs a cascade application of SAM to segment sperm heads, simple tails, and complex tails in stages. Subsequently, these segmented masks are meticulously matched and joined to construct complete sperm masks. In collaboration with leading medical institutions, we have compiled a dataset comprising approximately 2,000 unlabeled sperm images to fine-tune our method, and secured expert annotations for an additional 240 images to facilitate comprehensive model assessment. Experimental results demonstrate superior performance of CS3 compared to existing methods.
Abstract（参考訳）: 精子の自動形態解析は、雄の受精率を評価する上で重要な役割を担っているが、その効果は精子の画像を正確に分類する際の課題によってしばしば損なわれる。 Segment Anything Model(SAM)を含む既存のセグメンテーション技術は、臨床サンプルで頻繁に発生する精子重複の複雑な問題に対処する上で、特に不十分である。以上の結果から, 精子頭部の除去による画像特性の変化と, 重なり合う領域の視認性の向上が, 複雑な精子構造の分節化におけるSAMの効率を著しく向上させることが明らかとなった。これらの結果から,精子重複問題に対処するための無監督アプローチであるCS3 (Cascade SAM for Sperm Segmentation) を提示した。この方法は、SAMのカスケードを用いて精子の頭部、単純な尾、複雑な尾を段階的に分断する。その後、これらのセグメンテッドマスクは慎重にマッチングされ、完全な精子マスクを構築するために結合される。主要な医療機関と共同で,約2000枚の未ラベル精子画像からなるデータセットを作成した。実験の結果,既存手法と比較してCS3の性能は優れていた。

関連論文リスト

CycleSAM: One-Shot Surgical Scene Segmentation using Cycle-Consistent Feature Matching to Prompt SAM [2.9500242602590565]
CycleSAMは、テスト時にトレーニングイメージマスクペアを使用してワンショットの手術シーンセグメンテーションを行うアプローチである。手術画像に事前訓練されたResNet50エンコーダを自己教師方式で採用し,高いラベル効率を維持する。
論文参考訳（メタデータ） (2024-07-09T12:08:07Z)
Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文参考訳（メタデータ） (2024-03-14T12:05:25Z)
SHMC-Net: A Mask-guided Feature Fusion Network for Sperm Head Morphology Classification [14.762439662731865]
我々はSHMC-Netと呼ばれる精子頭部形態分類の新しい手法を提案する。 SHMC-Netは精子画像の形態分類を導くために精子頭部のセグメンテーションマスクを使用する。我々は、SCIANとHuSHeMデータセットの最先端結果を達成する。
論文参考訳（メタデータ） (2024-02-06T04:33:51Z)
Guided Prompting in SAM for Weakly Supervised Cell Segmentation in Histopathological Images [27.14641973632063]
本稿では、セグメンタを誘導するために、関連するタスクからのアノテーションである弱い監視を使用することに焦点を当てる。 SAM(Segment Anything)のような最近の基礎モデルは、推論中に追加の監視を活用するためにプロンプトを使用することができる。すべてのSAMベースのソリューションは、既存の弱教師付きイメージセグメンテーションモデルを大幅に上回り、9～15 ptのDiceゲインを得る。
論文参考訳（メタデータ） (2023-11-29T11:18:48Z)
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)
Self-Supervised Correction Learning for Semi-Supervised Biomedical Image Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文参考訳（メタデータ） (2023-01-12T08:19:46Z)
Improving Human Sperm Head Morphology Classification with Unsupervised Anatomical Feature Distillation [3.666202958045386]
近年のDeep Learning (DL) 形態素解析手法は有望なベンチマーク結果を実現するが、性能と堅牢性は表に残されている。本稿では,ヒト精子顕微鏡作物の解剖学的,画像的先行性を利用して,ラベル付けコストを伴わずに有用な特徴を抽出する新しいDLトレーニングフレームワークを提案する。 2つの公開精子データセットに対する我々の新しいアプローチを評価し、最先端のパフォーマンスを実現する。
論文参考訳（メタデータ） (2022-02-15T04:58:29Z)
Hybrid Attention for Automatic Segmentation of Whole Fetal Head in Prenatal Ultrasound Volumes [52.53375964591765]
胎児の頭部全体を米国全巻に分割する,最初の完全自動化ソリューションを提案する。セグメント化タスクは、まずエンコーダ-デコーダディープアーキテクチャの下で、エンドツーエンドのボリュームマッピングとして定式化される。次に,セグメンタとハイブリットアテンションスキーム(HAS)を組み合わせることで,識別的特徴を選択し,非情報量的特徴を抑える。
論文参考訳（メタデータ） (2020-04-28T14:43:05Z)
Sperm Detection and Tracking in Phase-Contrast Microscopy Image Sequences using Deep Learning and Modified CSR-DCF [0.0]
本稿では、オブジェクト検出器として、深層完全畳み込みニューラルネットワークであるRetinaNetを使用する。検出フェーズの平均精度は99.1%であり、追跡方法のF1スコアは96.61%である。これらの結果は精子の行動を研究し、受精の可能性を分析するのに非常に役立ちます。
論文参考訳（メタデータ） (2020-02-11T00:38:47Z)
Deep Attentive Features for Prostate Segmentation in 3D Transrectal Ultrasound [59.105304755899034]
本稿では,経直腸超音波(TRUS)画像における前立腺のセグメンテーションを改善するために,アテンションモジュールを備えた新しい3次元ディープニューラルネットワークを開発した。我々のアテンションモジュールは、アテンション機構を利用して、異なるレイヤから統合されたマルチレベル特徴を選択的に活用する。 3次元TRUSボリュームに挑戦する実験結果から,本手法は良好なセグメンテーション性能が得られることが示された。
論文参考訳（メタデータ） (2019-07-03T05:21:52Z)

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。