論文の概要: Understanding Stain Separation Improves Cross-Scanner Adenocarcinoma Segmentation with Joint Multi-Task Learning

• arxiv url: http://arxiv.org/abs/2409.13246v1
• Date: Fri, 20 Sep 2024 06:12:52 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 11:18:04.191597
• Title: Understanding Stain Separation Improves Cross-Scanner Adenocarcinoma Segmentation with Joint Multi-Task Learning
• Title（参考訳）: マルチタスク学習によるクロススキャナ腺癌分画の改善
• Authors: Ho Heon Kim, Won Chan Jeong, Young Shin Ko, Young Jin Park,
• Abstract要約: デジタル病理学は腫瘍の診断とセグメンテーションに大きな進歩をもたらしたが、画像の可変性は現在のアルゴリズムの有効性を制限している。 COSAS (Cross-Organ and Cross-Scanner Adenocarcinoma) は、セグメント化アルゴリズムのドメインシフトに対するレジリエンスを改善することでこの問題に対処している。 提案手法では,マルチデコーダオートエンコーダを用いたマルチタスク学習フレームワーク内での汚れ分離による教師なし学習を採用する。
• 参考スコア（独自算出の注目度）: 2.3470559413988936
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Digital pathology has made significant advances in tumor diagnosis and segmentation, but image variability due to differences in organs, tissue preparation, and acquisition - known as domain shift - limits the effectiveness of current algorithms. The COSAS (Cross-Organ and Cross-Scanner Adenocarcinoma Segmentation) challenge addresses this issue by improving the resilience of segmentation algorithms to domain shift, with Task 2 focusing on adenocarcinoma segmentation using a diverse dataset from six scanners, pushing the boundaries of clinical diagnostics. Our approach employs unsupervised learning through stain separation within a multi-task learning framework using a multi-decoder autoencoder. This model isolates stain matrix and stain density, allowing it to handle color variation and improve generalization across scanners. We further enhanced the robustness of the model with a mixture of stain augmentation techniques and used a U-net architecture for segmentation. The novelty of our method lies in the use of stain separation within a multi-task learning framework, which effectively disentangles histological structures from color variations. This approach shows promise for improving segmentation accuracy and generalization across different histopathological stains, paving the way for more reliable diagnostic tools in digital pathology.
• Abstract（参考訳）: デジタル病理学は、腫瘍の診断とセグメンテーションに大きな進歩をもたらしたが、臓器、組織の準備、取得(ドメインシフトとして知られる)の違いによる画像の多様性は、現在のアルゴリズムの有効性を制限している。 COSAS(Cross-Organ and Cross-Scanner Adenocarcinoma Segmentation)は、セグメンテーションアルゴリズムのドメインシフトに対するレジリエンスを改善することでこの問題に対処する。 提案手法では,マルチデコーダオートエンコーダを用いたマルチタスク学習フレームワーク内での汚れ分離による教師なし学習を採用する。 このモデルは、染色マトリクスと染色密度を分離し、色の変化を処理し、スキャナー間の一般化を改善する。 さらに,ステン強化技術の混合によりモデルの堅牢性を高め,セグメンテーションにU-netアーキテクチャを使用した。 本手法の新規性はマルチタスク学習フレームワーク内での染色分離の利用であり,色の変化から組織構造を効果的に切り離すことができる。 このアプローチは、異なる病理組織染色のセグメンテーション精度と一般化を改善し、デジタル病理学におけるより信頼性の高い診断ツールの道を開くことを約束する。

関連論文リスト

• Adenocarcinoma Segmentation Using Pre-trained Swin-UNet with Parallel Cross-Attention for Multi-Domain Imaging [0.2878844332549157]
  本稿では,Swin-UNetアーキテクチャを並列モジュールで拡張した事前学習型エンコーダにより構成するフレームワークについて述べる。 実験の結果, クロストラックでは0.7469, クロススキャナでは0.7597のセグメンテーションスコアが得られた。
  論文  参考訳（メタデータ） (2024-09-23T19:38:43Z)
• Multi-target and multi-stage liver lesion segmentation and detection in multi-phase computed tomography scans [12.090385175034305]
  肝臓の病変は、周囲の組織に対して大きさ、形状、食感、コントラストに大きく異なる。 現在の最先端の病変セグメンテーションネットワークは、UNetアーキテクチャに基づいたエンコーダ・デコーダ設計パラダイムを使用している。 提案手法は, 肝病変の相対的セグメンテーション性能を1.6%改善すると共に, 現在の最先端モデルと比較して, 被験者ごとのパフォーマンス変動率を8%低下させる。
  論文  参考訳（メタデータ） (2024-04-17T08:05:04Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer [9.8359439975283]
  画素レベルのアライメントを回避し,画像の他の領域への変換を行う新しい仮想染色フレームワーク AGMDT を提案する。 提案するフレームワーク AGMDT は,球状率検出と二部グラフマッチングにより,複数ドメインのシリアルスライスにまたがるパッチレベルのアライメントペアを検出する。 実験の結果,提案したAGMDTは,高精度な画素レベルのアライメントと未ペアドメイン転送とのバランスが良好であることがわかった。
  論文  参考訳（メタデータ） (2023-09-12T17:37:56Z)
• Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
  本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。 本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。 提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
  論文  参考訳（メタデータ） (2022-12-01T07:32:56Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での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） (2022-11-14T18:16:36Z)
• SeATrans: Learning Segmentation-Assisted diagnosis model via Transforme [13.63128987400635]
  本稿では,視覚支援型診断変換器(SeATrans)を提案する。 まず、各低レベル診断特徴とマルチスケールセグメンテーション特徴とを相関させる非対称なマルチスケールインタラクション戦略を提案する。 セグメンテーション-診断相互作用をモデル化するために、SeAブロックはまず、エンコーダを介してセグメンテーション情報に基づいて診断特徴を埋め込み、デコーダによりその埋め込みを診断特徴空間に戻す。
  論文  参考訳（メタデータ） (2022-06-12T15:10:33Z)
• Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
  ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。 胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。 本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
  論文  参考訳（メタデータ） (2021-02-26T02:29:30Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Robust Medical Instrument Segmentation Challenge 2019 [56.148440125599905]
  腹腔鏡装置の術中追跡は、しばしばコンピュータとロボットによる介入の必要条件である。 本研究の課題は,30の手術症例から取得した10,040枚の注釈画像からなる外科的データセットに基づいていた。 結果は、初期仮説、すなわち、アルゴリズムの性能がドメインギャップの増大とともに低下することを確認する。
  論文  参考訳（メタデータ） (2020-03-23T14:35:08Z)

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。