論文の概要: Holistic and Historical Instance Comparison for Cervical Cell Detection

• arxiv url: http://arxiv.org/abs/2409.13987v1
• Date: Sat, 21 Sep 2024 02:36:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 04:17:38.598423
• Title: Holistic and Historical Instance Comparison for Cervical Cell Detection
• Title（参考訳）: 骨盤細胞検出の全体的および歴史的事例比較
• Authors: Hao Jiang, Runsheng Liu, Yanning Zhou, Huangjing Lin, Hao Chen,
• Abstract要約: 本稿では,頚部細胞検出のための総合的,歴史的事例比較手法を提案する。 具体的には、まず、RoIレベルとクラスレベルの細胞識別を併用した総合的な事例比較スキームを開発する。 この粗い細胞間比較は、モデルが前景の区別可能なクラスワイド表現を学習することを奨励する。
• 参考スコア（独自算出の注目度）: 6.735336269995631
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cytology screening from Papanicolaou (Pap) smears is a common and effective tool for the preventive clinical management of cervical cancer, where abnormal cell detection from whole slide images serves as the foundation for reporting cervical cytology. However, cervical cell detection remains challenging due to 1) hazily-defined cell types (e.g., ASC-US) with subtle morphological discrepancies caused by the dynamic cancerization process, i.e., cell class ambiguity, and 2) imbalanced class distributions of clinical data may cause missed detection, especially for minor categories, i.e., cell class imbalance. To this end, we propose a holistic and historical instance comparison approach for cervical cell detection. Specifically, we first develop a holistic instance comparison scheme enforcing both RoI-level and class-level cell discrimination. This coarse-to-fine cell comparison encourages the model to learn foreground-distinguishable and class-wise representations. To emphatically improve the distinguishability of minor classes, we then introduce a historical instance comparison scheme with a confident sample selection-based memory bank, which involves comparing current embeddings with historical embeddings for better cell instance discrimination. Extensive experiments and analysis on two large-scale cytology datasets including 42,592 and 114,513 cervical cells demonstrate the effectiveness of our method. The code is available at https://github.com/hjiangaz/HERO.
• Abstract（参考訳）: Papanicolaou (Pap) smears の細胞診は、頸部がんの予防的臨床管理のための一般的な、効果的なツールであり、スライド画像全体からの異常な細胞検出が、頚部細胞診の報告の基礎となる。 しかし、頸部細胞検出は依然として困難である。 1) 動的癌化過程による微妙な形態的相違、すなわち細胞クラスのあいまいさ、および微妙な形態的相違を有するハズーリ定義細胞型(例:ASC-US) 2) 臨床データの非バランスなクラス分布は, 発見の欠落を招きかねない。 そこで本研究では,頚部細胞検出のための総合的,歴史的事例比較手法を提案する。 具体的には、まず、RoIレベルとクラスレベルの細胞識別を併用した総合的な事例比較スキームを開発する。 この粗い細胞間比較は、モデルが前景の区別可能なクラスワイド表現を学習することを奨励する。 そこで我々は,従来の埋め込みと過去の埋め込みを比較して,より優れたセルインスタンス識別を行う,信頼性の高いサンプル選択ベースメモリバンクを用いた履歴インスタンス比較手法を提案する。 42,592と114,513の頸部細胞を含む2つの大規模細胞診データセットの大規模な実験と解析により,本法の有効性が示された。 コードはhttps://github.com/hjiangaz/HEROで公開されている。

関連論文リスト

• Single-Cell Deep Clustering Method Assisted by Exogenous Gene Information: A Novel Approach to Identifying Cell Types [50.55583697209676]
  我々は,細胞間のトポロジ的特徴を効率的に捉えるために,注目度の高いグラフオートエンコーダを開発した。 クラスタリング過程において,両情報の集合を統合し,細胞と遺伝子の特徴を再構成し,識別的表現を生成する。 本研究は、細胞の特徴と分布に関する知見を高め、疾患の早期診断と治療の基礎となる。
  論文  参考訳（メタデータ） (2023-11-28T09:14:55Z)
• Interpretable pap smear cell representation for cervical cancer screening [3.8656297418166305]
  変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。 我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
  論文  参考訳（メタデータ） (2023-11-17T01:29:16Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Imbalanced Domain Generalization for Robust Single Cell Classification in Hematological Cytomorphology [3.7007225479462402]
  我々は、ドメイン間データの不均衡とドメインシフトに対処して、WBC分類のための堅牢なCNNを訓練する。 提案手法は,既存手法と比較してF1マクロスコアが最適である。
  論文  参考訳（メタデータ） (2023-03-14T10:20:31Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
  不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。 また、TNCD: Thyroid Nodule Classification データセットも提供します。
  論文  参考訳（メタデータ） (2022-07-02T11:50:02Z)
• Multi-class versus One-class classifier in spontaneous speech analysis oriented to Alzheimer Disease diagnosis [58.720142291102135]
  本研究の目的は,音声信号から抽出した新しいバイオマーカーを用いて自動解析を行うことにより,ADの早期診断と重症度評価の改善に寄与することである。 外付け器とフラクタル次元の機能に関する情報を使用することで、システムの性能が向上する。
  論文  参考訳（メタデータ） (2022-03-21T09:57:20Z)
• Multi-Class Cell Detection Using Spatial Context Representation [23.542218679448624]
  デジタル病理学では、細胞の自動診断および予後タスクにおいて、細胞の検出と分類の両方が重要である。 既存の方法は、個々の細胞の形態学的外観に焦点をあてるが、実際は、病理学者は、しばしばその空間的文脈を通して細胞クラスを推測する。 本研究では,空間的文脈情報を明示的に組み込んだ検出と分類のための新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-10-10T19:54:40Z)
• Deep Semi-supervised Metric Learning with Dual Alignment for Cervical Cancer Cell Detection [49.78612417406883]
  子宮頸癌細胞検出のための新しい半教師付き深度測定法を提案する。 私たちのモデルは、埋め込みメトリック空間を学習し、提案レベルとプロトタイプレベルの両方でセマンティック機能の二重アライメントを行います。 本研究は,240,860個の頸部細胞画像からなる半監督型頸部がん細胞検出のための大規模データセットを初めて構築した。
  論文  参考訳（メタデータ） (2021-04-07T17:11:27Z)
• DeepCervix: A Deep Learning-based Framework for the Classification of Cervical Cells Using Hybrid Deep Feature Fusion Techniques [14.208643185430219]
  女性の中で最も多い致死性癌の1つである頸部がんは、早期に再発性病変を検出するために、定期的な検診によって予防することができる。 手動スクリーニングの実践を改善するため, 機械学習(ML)と深層学習(DL)を用いたコンピュータ支援診断(CAD)システムを用いて, 頚部乳頭細胞の分類を行った。 本研究は, dlに基づくハイブリッド型深部機能融合(hdff)技術を提案し, 頸椎細胞を正確に分類する。
  論文  参考訳（メタデータ） (2021-02-24T10:34:51Z)
• Cell abundance aware deep learning for cell detection on highly imbalanced pathological data [0.0]
  デジタル病理学では、少ない細胞型は生物学的に重要である。 モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。 その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
  論文  参考訳（メタデータ） (2021-02-23T13:07:52Z)

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。