論文の概要: Glo-In-One-v2: Holistic Identification of Glomerular Cells, Tissues, and Lesions in Human and Mouse Histopathology

• arxiv url: http://arxiv.org/abs/2411.16961v1
• Date: Mon, 25 Nov 2024 21:59:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-27 13:31:25.695104
• Title: Glo-In-One-v2: Holistic Identification of Glomerular Cells, Tissues, and Lesions in Human and Mouse Histopathology
• Title（参考訳）: Glo-In-One-v2:ヒトおよびマウス病理組織における糸球体細胞、組織、病変の立体的同定
• Authors: Lining Yu, Mengmeng Yin, Ruining Deng, Quan Liu, Tianyuan Yao, Can Cui, Junlin Guo, Yu Wang, Yaohong Wang, Shilin Zhao, Haichun Yang, Yuankai Huo,
• Abstract要約: ヒトとマウスの病理データを部分的にラベル付けした画像内に14のクラスをセグメント化するために設計された,単一の動的頭部深層学習アーキテクチャを提案する。 ネットワークセグメントは、接着、毛細管落下、大脳性硬化症、ハイアリン症、メサンギウム分解、微小動脈瘤、結節性硬化症、メサンギウム拡張、セグメント性硬化症を含む9つの糸球体病変クラスを含む。
• 参考スコア（独自算出の注目度）: 12.863432260522943
• License:
• Abstract: Segmenting glomerular intraglomerular tissue and lesions traditionally depends on detailed morphological evaluations by expert nephropathologists, a labor-intensive process susceptible to interobserver variability. Our group previously developed the Glo-In-One toolkit for integrated detection and segmentation of glomeruli. In this study, we leverage the Glo-In-One toolkit to version 2 with fine-grained segmentation capabilities, curating 14 distinct labels for tissue regions, cells, and lesions across a dataset of 23,529 annotated glomeruli across human and mouse histopathology data. To our knowledge, this dataset is among the largest of its kind to date.In this study, we present a single dynamic head deep learning architecture designed to segment 14 classes within partially labeled images of human and mouse pathology data. Our model was trained using a training set derived from 368 annotated kidney whole-slide images (WSIs) to identify 5 key intraglomerular tissues covering Bowman's capsule, glomerular tuft, mesangium, mesangial cells, and podocytes. Additionally, the network segments 9 glomerular lesion classes including adhesion, capsular drop, global sclerosis, hyalinosis, mesangial lysis, microaneurysm, nodular sclerosis, mesangial expansion, and segmental sclerosis. The glomerulus segmentation model achieved a decent performance compared with baselines, and achieved a 76.5 % average Dice Similarity Coefficient (DSC). Additional, transfer learning from rodent to human for glomerular lesion segmentation model has enhanced the average segmentation accuracy across different types of lesions by more than 3 %, as measured by Dice scores. The Glo-In-One-v2 model and trained weight have been made publicly available at https: //github.com/hrlblab/Glo-In-One_v2.
• Abstract（参考訳）: 糸球体内組織と病変の分節化は、伝統的に専門の神経病理学者による詳細な形態学的評価に依存している。 我々のグループは以前,糸球体の検出とセグメンテーションを統合化するためのGlo-In-Oneツールキットを開発した。 本研究では,Glo-In-Oneツールキットを用いて,組織領域,細胞,病変の14個の異なるラベルを,ヒトおよびマウスの病理組織データで23,529個のアノテートされた糸球体から収集した。 我々の知る限り、このデータセットはこれまでにも最大規模であり、人間とマウスの病理データの部分的にラベル付けされた画像の中に14のクラスをセグメントするように設計された単一の動的頭脳深層学習アーキテクチャを提案する。 本モデルは,Bowmanカプセル,糸球体タフト,メサンギウム,メサンギウム,メサンギウム細胞,およびポドサイトを含む5つの糸球体内組織を同定するために,368個の腎全スライディング画像(WSI)から得られたトレーニングセットを用いて訓練を行った。 さらに、ネットワークセグメントは、接着、毛細管落下、大脳性硬化症、ハイアリン症、メサンギウム分解、微小動脈瘤、結節性硬化症、メサンギウム伸展、分節性硬化症を含む9つの糸球体病変クラスを含む。 糸状体セグメンテーションモデルはベースラインに比べて優れた性能を発揮し、平均Dice similarity Coefficient (DSC) は76.5%に達した。 さらに, 糸球体病変のセグメンテーションモデルにおいて, 歯列からヒトへの移動学習は, ディススコアによって測定された, 異なる種類の病変の平均セグメンテーション精度を3%以上向上させた。 Glo-In-One-v2モデルとトレーニングされた重量はhttps: //github.com/hrlblab/Glo-In-One_v2で公開されている。

関連論文リスト

• Assessment of Cell Nuclei AI Foundation Models in Kidney Pathology [10.574005822664034]
  この研究は、これまでで最大規模の評価であり、我々の知る限り、これまでで最大規模の評価である。 評価モデルのうち,CellViTは腎病理におけるセグメンテーション核の優れた性能を示した。 しかし、どの基礎モデルも完璧ではなく、腎臓病理学の一般的な核分割における性能ギャップは依然として残っている。
  論文  参考訳（メタデータ） (2024-08-09T22:34:13Z)
• Adapting Mouse Pathological Model to Human Glomerular Lesion Segmentation [13.209051765045512]
  マウスモデルを用いたヒト腎病変の細粒化の深層学習研究であるGLAMを紹介した。 ゼロショット・トランスファー・ラーニングとハイブリッド・ラーニングを用いて,ヒトの病理病変のセグメンテーションのための異なる学習戦略を評価する。
  論文  参考訳（メタデータ） (2024-07-25T20:47:43Z)
• DinoBloom: A Foundation Model for Generalizable Cell Embeddings in Hematology [1.3551232282678036]
  血液学における単細胞画像の最初の基盤モデルであるDinoBloomを紹介した。 本モデルは末梢血と骨髄のスミアの13種類の多種多様な公開データセットの広範囲な収集に基づいて構築されている。 4つのDinoBloomモデルのファミリーは、幅広い下流アプリケーションに適応することができる。
  論文  参考訳（メタデータ） (2024-04-07T17:25:52Z)
• Advances in Kidney Biopsy Lesion Assessment through Dense Instance Segmentation [0.3926357402982764]
  textbfDiffRegFormerは、関心領域内のマルチクラスのマルチスケールオブジェクト用に設計された、エンドツーエンドの高密度なインスタンスセグメンテーションモデルである。 ジョーンズの148個の銀色の腎WSIのデータセットでは、芸術モデルの状態を上回り、APは52.1%(検出)と46.8%(分離)である。 病変分類サブネットワークは21889のオブジェクトパッチに対して89.2%の精度と64.6%のリコールを達成した。
  論文  参考訳（メタデータ） (2023-09-29T11:59:57Z)
• Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
  我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。 まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。 第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
  論文  参考訳（メタデータ） (2022-09-27T15:50:31Z)
• TotalSegmentator: robust segmentation of 104 anatomical structures in CT images [48.50994220135258]
  身体CT画像の深層学習セグメント化モデルを提案する。 このモデルは、臓器の容積、疾患の特徴、外科的または放射線療法計画などのユースケースに関連する104の解剖学的構造を区分することができる。
  論文  参考訳（メタデータ） (2022-08-11T15:16:40Z)
• Glo-In-One: Holistic Glomerular Detection, Segmentation, and Lesion Characterization with Large-scale Web Image Mining [5.786726927985774]
  我々はGlo-In-Oneツールキットを開発し、一行のコマンドで全体的球状検出、セグメンテーション、キャラクタリゼーションを実現する。 我々は,自己教師型ディープラーニングのアルゴリズム開発を促進するために,3万枚の未ラベルの球面画像の大規模なコレクションをリリースする。
  論文  参考訳（メタデータ） (2022-05-31T21:22:10Z)
• External Attention Assisted Multi-Phase Splenic Vascular Injury Segmentation with Limited Data [72.99534552950138]
  脾臓は腹部外傷において最も多く損傷を受けた固形臓器の1つである。 脾臓血管損傷の 正確な分節化は 以下の理由から 困難です
  論文  参考訳（メタデータ） (2022-01-04T02:35:56Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Rethinking the Extraction and Interaction of Multi-Scale Features for Vessel Segmentation [53.187152856583396]
  網膜血管と主要動脈を2次元基底画像と3次元CTアンギオグラフィー(CTA)スキャンで分割する,PC-Netと呼ばれる新しいディープラーニングモデルを提案する。 PC-Netでは、ピラミッド圧縮励起(PSE)モジュールが各畳み込みブロックに空間情報を導入し、より効果的なマルチスケール特徴を抽出する能力を高めている。
  論文  参考訳（メタデータ） (2020-10-09T08:22:54Z)
• DONet: Dual Objective Networks for Skin Lesion Segmentation [77.9806410198298]
  本稿では,皮膚病変のセグメンテーションを改善するために,Dual Objective Networks (DONet) という,シンプルで効果的なフレームワークを提案する。 我々のDONetは2つの対称デコーダを採用し、異なる目標に近づくための異なる予測を生成する。 皮膚内視鏡画像における多種多様な病変のスケールと形状の課題に対処するために,再帰的コンテキスト符号化モジュール(RCEM)を提案する。
  論文  参考訳（メタデータ） (2020-08-19T06:02:46Z)

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。