論文の概要: Cracking the PUMA Challenge in 24 Hours with CellViT++ and nnU-Net

• arxiv url: http://arxiv.org/abs/2503.12269v1
• Date: Sat, 15 Mar 2025 21:46:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-18 12:31:17.086004
• Title: Cracking the PUMA Challenge in 24 Hours with CellViT++ and nnU-Net
• Title（参考訳）: CellViT++とnnU-NetでPUMAの挑戦を24時間で破る
• Authors: Negar Shahamiri, Moritz Rempe, Lukas Heine, Jens Kleesiek, Fabian Hörst,
• Abstract要約: 進行性メラノーマ(PUMA)における核と組織の分節化は、メラノーマの病理組織学における組織分節化と核検出を改善することを目的としている。 このパイプラインは、核検出のためのCellViT++と組織セグメンテーションのためのnnU-Netの2つのモデルを組み合わせる。 その結果,Diceスコアが0.750,ベースラインスコアが0.629,Diceスコアが0.629を上回った。
• 参考スコア（独自算出の注目度）: 1.8727813539150509
• License:
• Abstract: Automatic tissue segmentation and nuclei detection is an important task in pathology, aiding in biomarker extraction and discovery. The panoptic segmentation of nuclei and tissue in advanced melanoma (PUMA) challenge aims to improve tissue segmentation and nuclei detection in melanoma histopathology. Unlike many challenge submissions focusing on extensive model tuning, our approach emphasizes delivering a deployable solution within a 24-hour development timeframe, using out-of-the-box frameworks. The pipeline combines two models, namely CellViT++ for nuclei detection and nnU-Net for tissue segmentation. Our results demonstrate a significant improvement in tissue segmentation, achieving a Dice score of 0.750, surpassing the baseline score of 0.629. For nuclei detection, we obtained results comparable to the baseline in both challenge tracks. The code is publicly available at https://github.com/TIO-IKIM/PUMA.
• Abstract（参考訳）: 組織の自動分節と核検出は病理学において重要な課題であり、バイオマーカーの抽出と発見を支援する。 進行性メラノーマ(PUMA)における核と組織の分節化は、メラノーマの病理組織学における組織分節化と核検出を改善することを目的としている。 広範囲なモデルチューニングに重点を置く多くの課題とは違って、当社のアプローチでは、24時間の開発時間内にデプロイ可能なソリューションを提供することに重点を置いています。 このパイプラインは、核検出のためのCellViT++と組織セグメンテーションのためのnnU-Netの2つのモデルを組み合わせる。 その結果,Diceスコア0.750,ベースラインスコア0.629,組織セグメンテーション0.629,組織セグメンテーション0.629,組織セグメンテーション0.629,組織セグメンテーション0.629,組織セグメンテーション0.750,組織セグメンテーション0.629,組織セグメンテーション0。 核検出では,両課題トラックのベースラインに匹敵する結果を得た。 コードはhttps://github.com/TIO-IKIM/PUMAで公開されている。

関連論文リスト

• Segmentation of Pediatric Brain Tumors using a Radiologically informed, Deep Learning Cascade [0.0]
  小児におけるDiffuse Intrinsic Pontine Glioma (DIPG) およびDiffuse Midline Glioma (DMG) 脳腫瘍のモニタリングが治療効果の評価の鍵となる。 RAPNOガイドラインは、MRIボリュームチャレンジを用いてこれらの腫瘍を測定することを推奨している。 最近の研究は、小児脳腫瘍セグメンテーションのための既存のnnU-Netアプローチの新たな適応を提示する。
  論文  参考訳（メタデータ） (2024-10-17T20:46:13Z)
• CellViT: Vision Transformers for Precise Cell Segmentation and Classification [3.6000652088960785]
  本稿では,視覚変換器(CellViT)を用いた深層学習アーキテクチャを用いて,デジタル化された組織試料中の細胞核のインスタンス分割を自動化する手法を提案する。 我々は、最近発表されたSegment Anything Modelと1億4000万の組織像パッチに事前トレーニングされたViTエンコーダを活用することで、大規模なドメイン内および外部トレーニングされたビジョントランスの優位性を実証する。
  論文  参考訳（メタデータ） (2023-06-27T10:03:15Z)
• Multi-task learning for tissue segmentation and tumor detection in colorectal cancer histology slides [0.9176056742068814]
  U-Netに基づくマルチタスクモデルとチャネルワイドおよび画像統計に基づくカラー拡張を提案する。 組織分画は8655(Arm1), AUROCは8515(Arm2), AUROCは9725(Arm1), 0.9750(Arm2)であった。
  論文  参考訳（メタデータ） (2023-04-06T14:26:41Z)
• CoNIC Challenge: Pushing the Frontiers of Nuclear Detection, Segmentation, Classification and Counting [46.45578907156356]
  我々は、核分裂と細胞組成を評価するために、その種の最大の利用可能なデータセットを用いて、コミュニティ全体の課題をセットアップする。 大腸組織1,658枚の全スライディング画像を用いて,トップパフォーマンスモデルに基づく広範囲な組織解析を行った。 腫瘍微小環境において,核および好酸球が重要な役割を担っていることが示唆された。
  論文  参考訳（メタデータ） (2023-03-11T01:21:13Z)
• Comparative analysis of deep learning approaches for AgNOR-stained cytology samples interpretation [52.77024349608834]
  本稿では, 深層学習手法を用いて, 好気性ヌクレオラオーガナイザ領域 (AgNOR) 染色スライダを解析する方法を提案する。 以上の結果から,バックボーンとしてResNet-18やResNet-34を用いたU-Netを用いたセマンティックセマンティックセマンティックセマンティクスは類似した結果を示す。 最も優れたモデルは、それぞれ0.83、0.92、0.99の核、クラスター、衛星のIoUを示す。
  論文  参考訳（メタデータ） (2022-10-19T15:15:32Z)
• PointNu-Net: Keypoint-assisted Convolutional Neural Network for Simultaneous Multi-tissue Histology Nuclei Segmentation and Classification [23.466331358975044]
  ヘマトキシリンおよびエオシン染色組織学データから核を同時に検出し,分画し,分類する新しい手法を考案し,その設計を行った。 本研究は,19種類の組織にまたがる核分割と分類のための提案手法の優れた性能を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:29:40Z)
• Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei Segmentation in Histopathology Images [65.47507533905188]
  重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。 新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。 提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
  論文  参考訳（メタデータ） (2021-09-30T17:29:44Z)
• An Uncertainty-Driven GCN Refinement Strategy for Organ Segmentation [53.425900196763756]
  本研究では,不確実性解析とグラフ畳み込みネットワークに基づくセグメンテーション改善手法を提案する。 半教師付きグラフ学習問題を定式化するために、特定の入力ボリュームにおける畳み込みネットワークの不確実性レベルを用いる。 本手法は膵臓で1%,脾臓で2%向上し,最先端のCRF改善法よりも優れていた。
  論文  参考訳（メタデータ） (2020-12-06T18:55:07Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Inf-Net: Automatic COVID-19 Lung Infection Segmentation from CT Images [152.34988415258988]
  CT画像からの肺感染症の自動検出は、新型コロナウイルスに対処するための従来の医療戦略を強化する大きな可能性を秘めている。 CTスライスから感染領域を分割することは、高い感染特性の変化、感染と正常な組織の間の低強度のコントラストなど、いくつかの課題に直面している。 これらの課題に対処するため, 胸部CTスライスから感染部位を自動的に同定する, 新型のCOVID-19 Deep Lung infection Network (Inf-Net) が提案されている。
  論文  参考訳（メタデータ） (2020-04-22T07:30:56Z)

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。