論文の概要: Enhancing frozen histological section images using permanent-section-guided deep learning with nuclei attention

• arxiv url: http://arxiv.org/abs/2411.06583v1
• Date: Sun, 10 Nov 2024 20:16:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-12 14:10:58.241313
• Title: Enhancing frozen histological section images using permanent-section-guided deep learning with nuclei attention
• Title（参考訳）: 核注意深層学習を用いた凍結組織像の強調
• Authors: Elad Yoshai, Gil Goldinger, Miki Haifler, Natan T. Shaked,
• Abstract要約: 本稿では,永久区間からの誘導を利用して凍結区間画像の高精細化のための生成的深層学習手法を提案する。 本手法は凍結部と永久部の両方に臨界情報を含む核領域に強い重点を置いている。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: In histological pathology, frozen sections are often used for rapid diagnosis during surgeries, as they can be produced within minutes. However, they suffer from artifacts and often lack crucial diagnostic details, particularly within the cell nuclei region. Permanent sections, on the other hand, contain more diagnostic detail but require a time-intensive preparation process. Here, we present a generative deep learning approach to enhance frozen section images by leveraging guidance from permanent sections. Our method places a strong emphasis on the nuclei region, which contains critical information in both frozen and permanent sections. Importantly, our approach avoids generating artificial data in blank regions, ensuring that the network only enhances existing features without introducing potentially unreliable information. We achieve this through a segmented attention network, incorporating nuclei-segmented images during training and adding an additional loss function to refine the nuclei details in the generated permanent images. We validated our method across various tissues, including kidney, breast, and colon. This approach significantly improves histological efficiency and diagnostic accuracy, enhancing frozen section images within seconds, and seamlessly integrating into existing laboratory workflows.
• Abstract（参考訳）: 病理組織学では、凍結切片は、数分で生成できるため、手術中の迅速な診断にしばしば使用される。 しかし、これらはアーティファクトに悩まされており、特に細胞核領域において、診断上の重要な詳細を欠いていることが多い。 一方、永続的なセクションには、より詳細な診断が含まれているが、時間を要する準備プロセスが必要である。 本稿では, 永久区間からの誘導を利用して, 凍結区間画像の高精細化のための生成的深層学習手法を提案する。 本手法は凍結部と永久部の両方に臨界情報を含む核領域に強い重点を置いている。 重要なことは,提案手法は空白領域における人工データの生成を回避し,ネットワークが信頼できない情報を導入することなく,既存の機能のみを向上することを保証する。 我々は、トレーニング中に核分割されたイメージを組み込んだセグメンテッドアテンションネットワークを通じてこれを達成し、生成した永久画像の核詳細を洗練するための追加のロス関数を追加する。 腎, 乳房, 大腸など, さまざまな組織にまたがって検査を行った。 このアプローチは、組織学的効率と診断精度を大幅に改善し、凍った断面画像を数秒で拡張し、既存の実験室のワークフローにシームレスに統合する。

関連論文リスト

• CTARR: A fast and robust method for identifying anatomical regions on CT images via atlas registration [0.09130220606101362]
  我々はCT解剖学的領域認識のための新しい汎用手法であるCTARRを紹介する。 この方法は、ディープラーニングベースのCT画像解析パイプラインの事前処理ステップとして機能する。 提案手法は, アトラス登録に基づいて, 無ラベルCTスキャンから1つまたは複数の境界ボックスとして符号化された解剖学的領域を抽出する高速かつ堅牢な方法を提供する。
  論文  参考訳（メタデータ） (2024-10-03T08:52:21Z)
• Real-time guidewire tracking and segmentation in intraoperative x-ray [52.51797358201872]
  リアルタイムガイドワイヤ分割と追跡のための2段階のディープラーニングフレームワークを提案する。 第1段階では、ヨロフ5検出器が元のX線画像と合成画像を使って訓練され、ターゲットのガイドワイヤのバウンディングボックスを出力する。 第2段階では、検出された各バウンディングボックスにガイドワイヤを分割するために、新規で効率的なネットワークが提案されている。
  論文  参考訳（メタデータ） (2024-04-12T20:39:19Z)
• CathFlow: Self-Supervised Segmentation of Catheters in Interventional Ultrasound Using Optical Flow and Transformers [66.15847237150909]
  縦型超音波画像におけるカテーテルのセグメンテーションのための自己教師型ディープラーニングアーキテクチャを提案する。 ネットワークアーキテクチャは、Attention in Attentionメカニズムで構築されたセグメンテーショントランスフォーマであるAiAReSeg上に構築されている。 我々は,シリコンオルタファントムから収集した合成データと画像からなる実験データセット上で,我々のモデルを検証した。
  論文  参考訳（メタデータ） (2024-03-21T15:13:36Z)
• Super resolution of histopathological frozen sections via deep learning preserving tissue structure [0.0]
  病理組織学的凍結切片の超解像に対する新しいアプローチを提案する。 我々のディープラーニングアーキテクチャは、補間された画像と実際の画像の間の誤りを学習することに焦点を当てている。 既存の手法と比較して、構造類似度指数 (SSIM) とピーク信号-雑音比 (PSNR) の面で大幅に改善された。 提案手法は, 画像試料の高分解能を保ちながら, より高速な凍結断面積撮影を実現する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-17T09:52:54Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Nuclei Segmentation in Histopathology Images using Deep Learning with Local and Global Views [12.549900112862769]
  本稿では,原子核セグメンテーションの深層学習に基づくアプローチを提案する。 パッチ境界領域における誤予測の問題に対処する。 最終セグメンテーションマップの予測にはローカルパッチとグローバルパッチの両方を使用します。
  論文  参考訳（メタデータ） (2021-12-07T21:25:38Z)
• Deep Learning-based Frozen Section to FFPE Translation [4.221354566366119]
  凍結切片 (FS) は外科手術中の組織を顕微鏡的に評価する方法である。 FSは、核の氷結晶、圧縮、切断人工物などの誤解を招く人工構造を導入する傾向にある。 凍結切断された全スライド画像(FS-WSI)を全スライド型FFPE画像に数分で変換することにより,FS画像の品質を向上させる人工知能(AI)手法を提案する。
  論文  参考訳（メタデータ） (2021-07-25T11:32:57Z)
• 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)
• Recovering the Imperfect: Cell Segmentation in the Presence of Dynamically Localized Proteins [31.835275627382497]
  時間的伝搬と不確実性推定に基づく不完全データの分節化の解を提供する。 本研究では,ヒト胚性腎臓細胞からのデータに対するフレーム・バイ・フレーム・セグメンテーションと時間的伝播に対するこのアプローチの価値を実証する。
  論文  参考訳（メタデータ） (2020-11-20T16:30:55Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Towards a Complete Pipeline for Segmenting Nuclei in Feulgen-Stained Images [52.946144307741974]
  頸部がんは世界で2番目に多いがんである。 本稿では,畳み込みニューラルネットワークを用いたフェールゲン安定画像中の核分割のための完全なパイプラインを提案する。 We achieved a overall IoU 0.78, showed the availableability of the approach of nuclear segmentation on Feulgen-stained images。
  論文  参考訳（メタデータ） (2020-02-19T18:14:57Z)

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。