抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
典型的には,分類のためのセグメンテーションまたは画像レベルラベリングのためのピクセルワイズラベリングにおける大きなデータセットによって,深い学習における高精度を達成した。しかし,生物医学ドメインでは,課題は画像データ自体のアベイラビリティだけでなく,臨床医からのこれらの画像に対する関連アノテーションの取得でもある。本研究では,異常細胞および癌の検出,セグメンテーションおよび分類のタスクを同時に行うための,新しい2段階アーキテクチャを提案した。すべてのカタログに対する1段階検出と比較して,著者らは,著者らの深層学習ベースフレームワークにおける画像レベルと画素レベルラベリングの利点を結合した。性能評価の事例研究として,頸部臨床データセットにおける病変の検出を用いた。第一段階では,ハイブリッドResNetとU-Netアーキテクチャを設計し,画素ごとのラベル付きセグメンテーションマップを用いて,核,細胞質,およびバックグラウンドの3つのカタログを予測した。第2段階では,残差学習ベースのモデルを,サブタイプ分類のために同定された核に適用した。細胞技師で確認して,提案モデルは,ピクセルワイズラベリングアプローチと比較して,90%以上の注釈負荷を効率的に減らせると見積もられる。さらに,提案した2段階アプローチモデルは,外見において高い類似性を持つオブジェクトのためのセグメンテーションと分類において,1段階ニューラルネットワークより優れている。著者らの収集した現実の臨床細胞学画像と実験におけるソースコードは,https://github.com/SJTU-AI-GPU/TwoStageCellSegmentation.1において提供した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】