論文の概要: CellPilot

• arxiv url: http://arxiv.org/abs/2411.15514v1
• Date: Sat, 23 Nov 2024 10:31:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-26 14:21:12.496906
• Title: CellPilot
• Title（参考訳）: CellPilot
• Authors: Philipp Endres, Valentin Koch, Julia A. Schnabel, Carsten Marr,
• Abstract要約: この作業では,自動セグメンテーションとインタラクティブセグメンテーションのギャップを埋めるフレームワークであるCellPilotを導入する。 本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。 このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットを作成するのを支援するように設計されています。
• 参考スコア（独自算出の注目度）: 3.2096430458509317
• License:
• Abstract: Histopathology, the microscopic study of diseased tissue, is increasingly digitized, enabling improved visualization and streamlined workflows. An important task in histopathology is the segmentation of cells and glands, essential for determining shape and frequencies that can serve as indicators of disease. Deep learning tools are widely used in histopathology. However, variability in tissue appearance and cell morphology presents challenges for achieving reliable segmentation, often requiring manual correction to improve accuracy. This work introduces CellPilot, a framework that bridges the gap between automatic and interactive segmentation by providing initial automatic segmentation as well as guided interactive refinement. Our model was trained on over 675,000 masks of nine diverse cell and gland segmentation datasets, spanning 16 organs. CellPilot demonstrates superior performance compared to other interactive tools on three held-out histopathological datasets while enabling automatic segmentation. We make the model and a graphical user interface designed to assist practitioners in creating large-scale annotated datasets available as open-source, fostering the development of more robust and generalized diagnostic models.
• Abstract（参考訳）: 病理組織学は、疾患組織の顕微鏡的研究として、ますますデジタル化され、視覚化とワークフローの効率化を可能にしている。 病理学における重要な課題は細胞と腺の分節であり、病気の指標となる形状と頻度を決定するのに不可欠である。 深層学習ツールは病理学で広く使われている。 しかし、組織の外観や細胞形態の多様性は、信頼性の高いセグメンテーションを実現する上での課題であり、しばしば正確性を改善するために手動補正が必要である。 この作業では,自動セグメンテーションと対話的セグメンテーションのギャップを埋めるフレームワークであるCellPilotが導入された。 本モデルは16臓器にまたがる9種類の細胞および腺分節データセットの675,000以上のマスクを用いて訓練した。 CellPilotは、自動セグメンテーションを実現しつつ、3つの保持された病理学的データセット上の他のインタラクティブツールと比較して、優れたパフォーマンスを示している。 このモデルとグラフィカルなユーザインターフェースは、実践者がオープンソースとして利用可能な大規模な注釈付きデータセットの作成を支援し、より堅牢で一般化された診断モデルの開発を促進するために設計されている。

関連論文リスト

• CellViT++: Energy-Efficient and Adaptive Cell Segmentation and Classification Using Foundation Models [1.7674154313605157]
  $textCellViTscriptstyle ++$は、デジタル病理学における一般化された細胞セグメンテーションのためのフレームワークである。 $textCellViTscriptstyle ++$は、ユーザフレンドリで、ビジュアライゼーションとアノテーションのためのWebベースのインターフェースを備えたオープンソースのフレームワークである。
  論文  参考訳（メタデータ） (2025-01-09T14:26:50Z)
• Open Source Infrastructure for Automatic Cell Segmentation [0.0]
  本稿では, ディープラーニングアーキテクチャであるUNetモデルを用いて, 画像セグメンテーションタスクの有効性を示すオープンソースインフラストラクチャを提案する。 このツールは便利なユーザフレンドリーなインターフェースを提供し、高い精度を維持しつつ、セルセグメンテーションの参入障壁を低減する。
  論文  参考訳（メタデータ） (2024-09-12T15:56:17Z)
• Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
  生物学的文脈における暗黙の対応の重要性を明らかにする。 モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
  論文  参考訳（メタデータ） (2024-07-14T04:41:16Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
  組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。 細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。 特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
  論文  参考訳（メタデータ） (2023-03-23T08:57:11Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Robust Interactive Semantic Segmentation of Pathology Images with Minimal User Input [1.5328185694137677]
  組織像の異なる組織タイプを正確にアノテートするために,ユーザからの最小限の入力を必要とする,効率的なインタラクティブセグメンテーションネットワークを提案する。 提案手法は対話型アノテーション処理を高速化するだけでなく,既存の自動および対話型領域分割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） (2021-08-30T16:43:03Z)
• 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)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)

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。