論文の概要: MiDeSeC: A Dataset for Mitosis Detection and Segmentation in Breast Cancer Histopathology Images

• arxiv url: http://arxiv.org/abs/2507.14271v1
• Date: Fri, 18 Jul 2025 16:19:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-22 20:51:31.817236
• Title: MiDeSeC: A Dataset for Mitosis Detection and Segmentation in Breast Cancer Histopathology Images
• Title（参考訳）: MiDeSeC:乳癌の病理組織像におけるミトコンドリアの検出と分離のためのデータセット
• Authors: Refik Samet, Nooshin Nemati, Emrah Hancer, Serpil Sak, Bilge Ayca Kirmizi, Zeynep Yildirim,
• Abstract要約: MiDeSeCデータセットは、H&E染色された浸潤性乳がんによって作成され、40倍の倍率で捕獲された25の異なる患者の特別なタイプ(NST)スライドはない。 スライドは3D Histech Panoramic p250 Flash-3スキャナーとOlympus BX50顕微鏡でスキャンされた。 合計50の領域が25人の患者のためにガラススライドから選択され、それぞれが1024×1024ピクセルの領域である。 この50の地域には合計500以上のミトースがある。
• 参考スコア（独自算出の注目度）: 0.7916635054977068
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The MiDeSeC dataset is created through H&E stained invasive breast carcinoma, no special type (NST) slides of 25 different patients captured at 40x magnification from the Department of Medical Pathology at Ankara University. The slides have been scanned by 3D Histech Panoramic p250 Flash-3 scanner and Olympus BX50 microscope. As several possible mitosis shapes exist, it is crucial to have a large dataset to cover all the cases. Accordingly, a total of 50 regions is selected from glass slides for 25 patients, each of regions with a size of 1024*1024 pixels. There are more than 500 mitoses in total in these 50 regions. Two-thirds of the regions are reserved for training, the other third for testing.
• Abstract（参考訳）: MiDeSeCデータセットは、H&E染色された浸潤性乳がんによって作成され、アンカラ大学医学部から40倍の倍率で採取された25の異なる患者(NST)のスライドはない。 スライドは3D Histech Panoramic p250 Flash-3スキャナーとOlympus BX50顕微鏡でスキャンされた。 いくつかの有糸分裂形態が存在するため、全てのケースをカバーする大きなデータセットを持つことが不可欠である。 これにより,25症例のガラススライドから50領域が選択され,それぞれ1024×1024ピクセルの領域が選択される。 この50の地域には合計500以上のミトースがある。 地域の3分の2は訓練用、3分の2は試験用である。

関連論文リスト

• Colorectal Cancer Tumor Grade Segmentation in Digital Histopathology Images: From Giga to Mini Challenge [9.46817660446756]
  大腸癌(CRC)は、世界で3番目に診断されたがんであり、がん関連死亡の原因としては2番目に多い。 ICIP Grand Challenge on Colorectal Cancer tumor Grading を組織した。 データセットは、5つの組織クラスに対して、専門家のピクセルレベルのアノテーションを備えた103枚の全スライド画像で構成されている。
  論文  参考訳（メタデータ） (2025-07-07T05:59:16Z)
• PanTS: The Pancreatic Tumor Segmentation Dataset [49.32814895560867]
  PanTSは、膵CT解析の研究を進めるためにキュレーションされた、大規模で多施設のデータセットである。 145の医療センターから36,390個のCTスキャンをスキャンし、993,000以上の解剖学的構造を専門家が検証した。
  論文  参考訳（メタデータ） (2025-07-02T02:10:46Z)
• Automatic Organ and Pan-cancer Segmentation in Abdomen CT: the FLARE 2023 Challenge [15.649976310277099]
  腹部CT検査における臓器・癌の分節化は,正確な癌診断と治療の必要条件である。 既存のベンチマークやアルゴリズムは、特定のがんタイプに合わせて調整されており、包括的ながん分析を提供する能力を制限する。 この研究は、大規模で多様なデータセットを提供することにより、腹部臓器と膵臓の分節に関する最初の国際コンペティションである。
  論文  参考訳（メタデータ） (2024-08-22T16:38:45Z)
• Mask-Enhanced Segment Anything Model for Tumor Lesion Semantic Segmentation [48.107348956719775]
  Mask-Enhanced SAM (M-SAM) は, 腫瘍の3次元セグメント化に適した革新的なアーキテクチャである。 本稿では,M-SAM内におけるMask-Enhanced Adapter (MEA) を提案する。 我々のM-SAMは高いセグメンテーション精度を達成し、またロバストな一般化を示す。
  論文  参考訳（メタデータ） (2024-03-09T13:37:02Z)
• Are Macula or Optic Nerve Head Structures better at Diagnosing Glaucoma? An Answer using AI and Wide-Field Optical Coherence Tomography [48.7576911714538]
  我々は3次元広視野CTスキャンで視神経頭部(ONH)と黄斑構造を自動的に分割する深層学習アルゴリズムを開発した。 分類アルゴリズムにより,ONHおよび黄斑組織を0.94$pm$0.003のDCで分画することができた。 これにより3次元広視野CTスキャンが主流となる可能性がある。
  論文  参考訳（メタデータ） (2022-10-13T01:51:29Z)
• Histopathological Imaging Classification of Breast Tissue for Cancer Diagnosis Support Using Deep Learning Models [0.0]
  ヘマトキシリンとエオシンはがん診断における金の標準であると考えられている。 病理画像(WSI)を複数のパッチに分割するアイデアに基づいて,左から右へスライドし,上から下へスライドするウィンドウ[512,512]を,400イメージのデータセット上の拡張データに対して,各スライディングステップが50%重なり合うように使用した。 EffficientNetモデルは、高解像度の画像のトレーニングに適した、固定されたスケーリング要素のセットで、ネットワークの幅、深さ、解像度を均一にスケーリングする、最近開発されたモデルである。
  論文  参考訳（メタデータ） (2022-07-03T13:56:44Z)
• COVIDx CXR-3: A Large-Scale, Open-Source Benchmark Dataset of Chest X-ray Images for Computer-Aided COVID-19 Diagnostics [69.55060769611916]
  RT-PCR検査の補助的スクリーニング戦略としての胸部X線撮影(CXR)の利用が増加している。 CXRイメージングに基づく新型コロナウイルススクリーニングのための多くの視覚知覚モデルが提案されている。 我々は、COVID-19コンピュータビジョン研究を支援するために、CXR画像の大規模なベンチマークデータセットであるCOVIDx CXR-3を紹介する。
  論文  参考訳（メタデータ） (2022-06-08T04:39:44Z)
• Federated Learning Enables Big Data for Rare Cancer Boundary Detection [98.5549882883963]
  6大陸にわたる71の医療機関のデータを含む,これまでで最大のフェデレーテッドML研究の結果を報告する。 グリオ芽腫の稀な疾患に対する腫瘍境界自動検出装置を作製した。 当科では, 外科的に標的とした腫瘍の悪性度を高めるために, 33%の改善率を示し, 腫瘍全体に対する23%の改善率を示した。
  論文  参考訳（メタデータ） (2022-04-22T17:27:00Z)
• Multi-stage Deep Layer Aggregation for Brain Tumor Segmentation [2.324913904215885]
  アーキテクチャは、3つのDeep Layer Aggregationニューラルネットワークからなるカスケードで構成されており、各ステージは、機能マップと前のステージの確率を使用して応答を詳細化する。 神経画像データは、一般公開されたBrain Tumor (BraTS) 2020チャレンジデータセットの一部です。 実験では, 腫瘍, コア腫瘍, 造影腫瘍全例に対して, 0.8858, 0.8297, 0.7900, ハウスドルフ距離 5.32 mm, 22.32 mm, 20.44 mmのdiceスコアを得た。
  論文  参考訳（メタデータ） (2021-01-02T17:59:30Z)
• H2NF-Net for Brain Tumor Segmentation using Multimodal MR Imaging: 2nd Place Solution to BraTS Challenge 2020 Segmentation Task [96.49879910148854]
  当社のH2NF-Netは、単一およびカスケードのHNF-Netを使用して、異なる脳腫瘍サブリージョンを分割します。 我々は、マルチモーダル脳腫瘍チャレンジ(BraTS)2020データセットでモデルをトレーニングし、評価した。 提案手法は,80名近い参加者のうち,brats 2020チャレンジセグメンテーションタスクで2位となった。
  論文  参考訳（メタデータ） (2020-12-30T20:44:55Z)
• Radiologist-level Performance by Using Deep Learning for Segmentation of Breast Cancers on MRI Scans [0.7010404660170962]
  トレーニングセットにおける最高性能のネットワークは3次元U-Netで,ダイナミックコントラスト強調MRIを入力とし,各試験で強度を正規化した。 ネットワークの性能は放射線学者のパフォーマンスに匹敵するものだった。
  論文  参考訳（メタデータ） (2020-09-21T13:07:00Z)

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。