Fugu-MT 論文翻訳(概要): NuSeC: A Dataset for Nuclei Segmentation in Breast Cancer Histopathology Images

論文の概要: NuSeC: A Dataset for Nuclei Segmentation in Breast Cancer Histopathology Images

arxiv url: http://arxiv.org/abs/2507.14272v1
Date: Fri, 18 Jul 2025 16:23:07 GMT
ステータス: 翻訳完了
システム内更新日: 2025-07-22 20:51:31.818311
Title: NuSeC: A Dataset for Nuclei Segmentation in Breast Cancer Histopathology Images
Title（参考訳）: NuSeC:乳癌の病理組織像における核分離のためのデータセット
Authors: Refik Samet, Nooshin Nemati, Emrah Hancer, Serpil Sak, Bilge Ayca Kirmizi,
Abstract要約: NuSeCデータセットは、25人の患者のスライドから、サイズが1024*1024ピクセルの4つの画像を選択することで作成される。 NuSeCデータセットをトレーニングセットとして75%、テストセットとして25%に分けます。
参考スコア（独自算出の注目度）: 0.8388591755871735
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The NuSeC dataset is created by selecting 4 images with the size of 1024*1024 pixels from the slides of each patient among 25 patients. Therefore, there are a total of 100 images in the NuSeC dataset. To carry out a consistent comparative analysis between the methods that will be developed using the NuSeC dataset by the researchers in the future, we divide the NuSeC dataset 75% as the training set and 25% as the testing set. In detail, an image is randomly selected from 4 images of each patient among 25 patients to build the testing set, and then the remaining images are reserved for the training set. While the training set includes 75 images with around 30000 nuclei structures, the testing set includes 25 images with around 6000 nuclei structures.
Abstract（参考訳）: NuSeCデータセットは、25人の患者のスライドから、サイズが1024*1024ピクセルの4つの画像を選択することで作成される。したがって、NuSeCデータセットには合計100の画像がある。将来,NuSeCデータセットを用いて開発される手法間の一貫した比較分析を行うため,NuSeCデータセットをトレーニングセットとして75%,テストセットとして25%を分割する。詳しくは、25人の患者のうち、各患者の4つの画像から画像がランダムに選択され、残りの画像がトレーニングセットに予約される。トレーニングセットには約30000の核構造を持つ75の画像が含まれているが、テストセットには約6000の核構造を持つ25の画像が含まれている。

関連論文リスト

AlphaDent: A dataset for automated tooth pathology detection [98.1937495272719]
このデータセットは、295人の患者の歯のDSLRカメラ写真に基づいており、1200枚以上の画像を含んでいる。この記事では、データセットとラベリングフォーマットの詳細な説明を提供する。その結果,高い予測精度が得られた。
論文参考訳（メタデータ） (2025-07-30T09:34:43Z)
TotalSegmentator MRI: Robust Sequence-independent Segmentation of Multiple Anatomic Structures in MRI [59.86827659781022]
nnU-Netモデル(TotalSegmentator)をMRIおよび80原子構造で訓練した。予測されたセグメンテーションと専門家基準セグメンテーションとの間には,ディススコアが算出され,モデル性能が評価された。オープンソースで使いやすいモデルは、80構造の自動的で堅牢なセグメンテーションを可能にする。
論文参考訳（メタデータ） (2024-05-29T20:15:54Z)
Improving image quality of sparse-view lung tumor CT images with U-Net [3.5655865803527718]
肺転移検出のためのU-Netを用いて,スパースビューCT画像の画質向上を目的とした。プロジェクションビューは、IQを維持しながら2,048から64に減少し、良好なレベルで放射線学者の信頼性を維持することができる。
論文参考訳（メタデータ） (2023-07-28T12:03:55Z)
Towards Unifying Anatomy Segmentation: Automated Generation of a Full-body CT Dataset via Knowledge Aggregation and Anatomical Guidelines [113.08940153125616]
我々は533巻のボクセルレベルのラベルを142ドル(約1万2000円)で、全身CTスキャンのデータセットを作成し、解剖学的包括的カバレッジを提供する。提案手法はラベル集約段階において手作業によるアノテーションに依存しない。我々はCTデータに142ドルの解剖学的構造を予測できる統一解剖学的セグメンテーションモデルをリリースする。
論文参考訳（メタデータ） (2023-07-25T09:48:13Z)
DataComp: In search of the next generation of multimodal datasets [179.79323076587255]
DataCompは、Common Crawlの128億の画像テキストペアの候補プールを中心にしたデータセット実験用のテストベッドである。我々のベンチマークは、複数の計算スケールから成っている。特に、最良のベースラインであるDataComp-1Bは、ImageNetでCLIP ViT-L/14をスクラッチから79.2%のゼロショット精度でトレーニングすることが可能です。
論文参考訳（メタデータ） (2023-04-27T11:37:18Z)
PDIWS: Thermal Imaging Dataset for Person Detection in Intrusion Warning Systems [0.0]
データセットは2000イメージのトレーニングセットと500イメージのテストセットで構成されている。全50の背景があり、1000人近い被験者は5つのポーズに従って5つのクラスに分けられる。最初の4つのポーズが検出された場合、侵入者の存在を確認する。
論文参考訳（メタデータ） (2023-02-26T11:02:34Z)
Robust Automated Framework for COVID-19 Disease Identification from a Multicenter Dataset of Chest CT Scans [27.29759500174996]
提案モデルでは,特定の走査プロトコルを用いて,1つのイメージングセンタのみから取得した比較的小さなデータセットに基づいてトレーニングを行った。また、列車とテストセット間のデータシフトに対処するため、教師なしアプローチでモデルを更新できることを示した。実験の結果,提案手法は全テストセットに対して96.15%の精度で良好に動作することがわかった。
論文参考訳（メタデータ） (2021-09-19T22:32:55Z)
TNCR: Table Net Detection and Classification Dataset [62.997667081978825]
TNCRデータセットは、スキャンされた文書画像のテーブル検出と5つのクラスに分類される。我々は、テーブル検出のための最先端のディープラーニングベースの手法を実装し、いくつかの強力なベースラインを構築した。我々は、テーブルの検出、分類、構造認識に対するより深い学習アプローチを促進するために、TNCRをオープンソースにしました。
論文参考訳（メタデータ） (2021-06-19T10:48:58Z)
Chest x-ray automated triage: a semiologic approach designed for clinical implementation, exploiting different types of labels through a combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。 4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文参考訳（メタデータ） (2020-12-23T14:38:35Z)
Comprehensive Comparison of Deep Learning Models for Lung and COVID-19 Lesion Segmentation in CT scans [11.024688703207627]
本稿では,CT(Computerized Tomography)スキャンにおいて,肺の深層学習モデルとCOVID-19病変のセグメンテーションを比較した。 4つのDLアーキテクチャ(Unet, Linknet, FPN, PSPNet)と25のランダムおよび事前訓練エンコーダを組み合わせて200の試験モデルを構築する。肺の分節, 病変の分節, 病変の分節の3つの実験を, オリジナルの肺マスクを用いて行った。
論文参考訳（メタデータ） (2020-09-10T08:05:06Z)
Study of Different Deep Learning Approach with Explainable AI for Screening Patients with COVID-19 Symptoms: Using CT Scan and Chest X-ray Image Dataset [1.4680035572775532]
新型コロナウイルスの感染拡大で、米国だけでもこれまでに10万人以上の死者が出た。患者数の増加に伴い、利用可能なテストキットでテストを実施するのが難しくなっている。本研究の目的は、CTスキャンと胸部X線画像データセットの両方において、より正確な精度で新型コロナウイルス患者を検出できるディープラーニングベースのモデルを開発することである。
論文参考訳（メタデータ） (2020-07-24T13:51:58Z)
A Generalized Deep Learning Framework for Whole-Slide Image Segmentation and Analysis [0.20065923589074736]
病理組織分析は癌診断と予後における金の基準と考えられている。深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
論文参考訳（メタデータ） (2020-01-01T18:05:44Z)

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。