論文の概要: CountPath: Automating Fragment Counting in Digital Pathology
- arxiv url: http://arxiv.org/abs/2503.10520v1
- Date: Thu, 13 Mar 2025 16:29:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-14 15:55:10.519249
- Title: CountPath: Automating Fragment Counting in Digital Pathology
- Title（参考訳）: CountPath: デジタル病理におけるフラグメント数の自動管理
- Authors: Ana Beatriz Vieira, Maria Valente, Diana Montezuma, Tomé Albuquerque, Liliana Ribeiro, Domingos Oliveira, João Monteiro, Sofia Gonçalves, Isabel M. Pinto, Jaime S. Cardoso, Arlindo L. Oliveira,
- Abstract要約: 本研究では, YOLOv9モデルとVision Transformerモデルを用いたフラグメントカウントの自動手法について検討する。
この結果から,自動システムは専門家による評価に匹敵する性能を達成し,手動計数に代わる信頼性と効率的な代替手段を提供することを示した。
- 参考スコア（独自算出の注目度）: 2.942240623236146
- License:
- Abstract: Quality control of medical images is a critical component of digital pathology, ensuring that diagnostic images meet required standards. A pre-analytical task within this process is the verification of the number of specimen fragments, a process that ensures that the number of fragments on a slide matches the number documented in the macroscopic report. This step is important to ensure that the slides contain the appropriate diagnostic material from the grossing process, thereby guaranteeing the accuracy of subsequent microscopic examination and diagnosis. Traditionally, this assessment is performed manually, requiring significant time and effort while being subject to significant variability due to its subjective nature. To address these challenges, this study explores an automated approach to fragment counting using the YOLOv9 and Vision Transformer models. Our results demonstrate that the automated system achieves a level of performance comparable to expert assessments, offering a reliable and efficient alternative to manual counting. Additionally, we present findings on interobserver variability, showing that the automated approach achieves an accuracy of 86%, which falls within the range of variation observed among experts (82-88%), further supporting its potential for integration into routine pathology workflows.
- Abstract（参考訳）: 医療画像の品質管理はデジタル病理学の重要な要素であり、診断画像が要求される基準を満たすことを保証する。
このプロセスにおける事前分析のタスクは、標本の断片の数を検証することであり、スライド上の断片の数がマクロ的なレポートに記録された数と一致することを確実にするプロセスである。
この工程は、グルーニング工程から適切な診断材料を含むスライドを確実に含有し、その後の顕微鏡検査および診断の精度を保証することが重要である。
伝統的に、この評価は手作業で行われ、主観的な性質から大きな変動を受けながら、かなりの時間と労力を要する。
これらの課題に対処するため, YOLOv9とVision Transformerモデルを用いたフラグメントカウントの自動手法について検討した。
この結果から,自動システムは専門家による評価に匹敵する性能を達成し,手動計数に代わる信頼性と効率的な代替手段を提供することを示した。
さらに, 自動アプローチが86%の精度を達成し, 専門家の間で観察される変動範囲(82～88%)に収まることを示し, また, 定期的な病理ワークフローへの統合の可能性も裏付ける。
関連論文リスト
- Model Checking in Medical Imaging for Tumor Detection and Segmentation [0.0]
近年のモデル検査の進歩は、様々な応用において大きな可能性を秘めている。
医用画像は、モデル検査を効果的に適用できる重要な領域として際立っている。
論文 参考訳（メタデータ） (2025-01-02T20:47:04Z) - Data-Centric Learning Framework for Real-Time Detection of Aiming Beam in Fluorescence Lifetime Imaging Guided Surgery [3.8261910636994925]
本研究では,FLImを用いたリアルタイム手術指導のための新しいデータ中心アプローチを提案する。
第一の課題は,特に経口ロボット手術(TORS)における手術環境における複雑で変動的な状態から生じる。
ラベルノイズの最小化と検出ロバスト性の向上により精度を向上させるデータ中心のトレーニング戦略を用いて,インスタンスセグメンテーションモデルを開発した。
論文 参考訳（メタデータ） (2024-11-11T22:04:32Z) - QUBIQ: Uncertainty Quantification for Biomedical Image Segmentation Challenge [93.61262892578067]
医用画像分割作業の不確実性、特にラター間変動性は重要な課題である。
この可変性は、自動セグメンテーションアルゴリズムの開発と評価に直接影響を及ぼす。
バイオメディカル画像量化チャレンジ(QUBIQ)における不確実性の定量化のベンチマーク結果を報告する。
論文 参考訳（メタデータ） (2024-03-19T17:57:24Z) - Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary
Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。
この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。
PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文 参考訳（メタデータ） (2024-02-16T05:16:20Z) - Tissue Artifact Segmentation and Severity Analysis for Automated
Diagnosis Using Whole Slide Images [0.0]
本稿では,畳み込みニューラルネットワークを用いたアーティファクト検出に重大度評価を取り入れたシステムを提案する。
提案システムはDoubleUNetを用いてアーティファクトを分割し、6つの微調整された畳み込みニューラルネットワークモデルのアンサンブルネットワークを用いて重大性を決定する。
論文 参考訳（メタデータ） (2024-01-01T19:58:36Z) - A Transformer-based representation-learning model with unified
processing of multimodal input for clinical diagnostics [63.106382317917344]
本稿では,マルチモーダル入力を統一的に処理する臨床診断支援として,トランスフォーマーを用いた表現学習モデルについて報告する。
統一モデルは, 肺疾患の同定において, 画像のみのモデル, 非統一型マルチモーダル診断モデルより優れていた。
論文 参考訳（メタデータ） (2023-06-01T16:23:47Z) - Morphology-Aware Interactive Keypoint Estimation [32.52024944963992]
医学的画像に基づく診断は、しばしば解剖学的キーポイントのマニュアルアノテーションを含む。
本稿では,ユーザインタラクションシステムを通じて解剖学的キーポイントを自動的に検出し,精査する,新しいディープニューラルネットワークを提案する。
論文 参考訳（メタデータ） (2022-09-15T09:27:14Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - Automatic Multi-Stain Registration of Whole Slide Images in
Histopathology [0.0]
単一セルの精度で巨大なギガピクセルの全体スライド画像(WSI)を自動で高速かつ断続的にアライメントするのは難しい。
本稿では,微小な転移リンパ節の局在化を支援するために,2段階の自動機能ベースのクロスステインアライメントを提案する。
論文 参考訳（メタデータ） (2021-07-29T19:38:30Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z) - 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。