论文阅读:Deep Learning–Based Segmentation andQuantification in Experimental Kidney Histopathology
实验性肾脏组织病理学中基于深度学习的分割和量化
一.实验对象
健康小鼠、五种小鼠疾病模型和临床前研究中使用的其他物种的周期性酸-希夫染色肾组织。
分割六个主要的肾脏结构:肾小球簇、包括鲍曼囊在内的肾小球、小管、动脉、动脉腔和静脉。
量化:间质扩张、肾小管扩张和萎缩以及肾小球大小的变异性
二.数据准备
1.包埋:
使用石蜡包埋的肾组织固定在福尔马林或甲基卡诺溶液中。
2.染色:
厚度为1-2mm的切片用PAS染色,并用苏木精复染。
3.数字化病理切片
使用320物镜的全玻片扫描仪NanoZoomerHT2(日本滨松光电公司)或320或340物镜的Aperio AT2(德国韦茨拉尔莱卡比奥系统公司)对slides进行数字化。
4.标注:
(1)在对大约20%的注释进行手动注释之后,我们使用这些来训练一个初始的分割网络。然后,我们使用它的前置词作为前置注释,方便注释者进行注释。这些预测被加载到Qu Path中,将手动注释任务转换为预测任务,从而减少注释工作量。
(2) 我们应用主动学习的概念来优化用于注释的图像块的选择。我们使用初始分割网络计算整个WSI分割结果,并以视觉方式选择预测误差最大的patch,当完成60%的注释时,我们重复了以上操作。
5.数据增强
空间变换(即仿射、分段仿射、弹性、翻转、90度旋转)
颜色变换(即色调和饱和度偏移、伽马对比度、归一化),通过模拟组织形态和染色的变化来提高CNN的通用性。
三.网络模型
修改:
(1)我们将其深度增加了1,以增加其接收场
(2)然后在每个架构级别上使用半通道数,以减少过度装配的风险
(3)在上采样时,我们没有将特征通道数减半,通过转置卷积有效地增加其容量
(4)我们根据经验应用了实例规范化和leakyReLU激活,这是因为它在经验上显示出优于批次规范化和ReLU激活的优势
表1:六类小鼠肾脏的定量分割和检测性能
分割性能(Segmentation):是通过平均所有测试图像中每个实例的所有dice系数来计算的,这些测试图像表示每个实例的平均检测区域覆盖率。
检测性能(Detection):是通过平均精度指标来衡量。
论文阅读:Deep Learning–Based Segmentation andQuantification in Experimental Kidney Histopathology相关推荐
- Deep learning based segmentation for automated training of apple trees on trellis wires
ABSTRACT 由于其果实产量和质量高,以及在修剪和收获过程中适用于机器人操作,格子式结果墙培训系统正在成为现代苹果园的标准配置.在美国 PNW 地区将幼小的苹果树训练成格架训练树冠系统的常见做法是 ...
- 【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](2)
[论文阅读]Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation ...
- 【论文阅读】Learning Traffic as Images: A Deep Convolutional ... [将交通作为图像学习: 用于大规模交通网络速度预测的深度卷积神经网络](1)
[论文阅读]Learning Traffic as Images: A Deep Convolutional Neural Network for Large-Scale Transportation ...
- Deep Learning Based Registration文章阅读(五)《Anatomy-guided Multimodal Registration by Learning Segment 》
Deep Learning Based Registration文章阅读(五) 这篇文章是MIA2021新出的一篇文章<Anatomy-guided Multimodal Registratio ...
- 论文翻译:2021_语音增强模型压缩_Towards model compression for deep learning based speech enhancement...
论文地址:面向基于深度学习的语音增强模型压缩 论文代码:没开源,鼓励大家去向作者要呀,作者是中国人,在语音增强领域 深耕多年 引用格式:Tan K, Wang D L. Towards model c ...
- 【论文笔记】Multi-task deep learning based CT imaging analysis for COVID-19 pneumonia: Classification and
声明 不定期更新自己精度论文,通俗易懂,初级小白也可以理解 涉及范围:深度学习方向,包括 CV.NLP.Data Fusion.Digital Twin 论文标题:Multi-task deep le ...
- 论文详读:LEMNA: Explaining Deep Learning based Security Applications
我以我ppt的内容顺序介绍一下这篇论文,希望有错误的地方大家可以帮我指出嘻嘻 1.论文出处 论文名:LEMNA: Explaining Deep Learning based Security App ...
- 论文翻译七:Adversarial Transfer Learning for Deep Learning Based Automatic Modulation Classification
30天挑战翻译100篇论文 坚持不懈,努力改变,在翻译中学习,在学习中改变,在改变中成长- Adversarial Transfer Learning for Deep Learning Based ...
- 【论文学习笔记】《A Review of Deep Learning Based Speech Synthesis》
基于深度学习的语音合成综述论文学习 文章目录 基于深度学习的语音合成综述论文学习 1 简介 2 语音合成概述 2.1 语音合成概念 2.2 语音合成发展历史 2.3 传统语音合成技术 2.3.1 拼接 ...
最新文章
- etcd — 架构原理
- java开发五年多少钱,附超全教程文档
- bzoj 1834: [ZJOI2010]network 网络扩容【最大流+最小费用最大流】
- 更改计算机名引起的奇怪问题:“重新启动计算机之前控制台无法刷新”
- 二分 poj 3273
- Android对接实现内网无纸化会议|智慧教室|实时同屏功能
- 第一个Python程序——博客自动访问脚本
- centos清楚缓存
- C#设计模式之8-组合模式
- ThreadLocal到底是什么,尚硅谷docker高级
- 用R解析Mahout用户推荐协同过滤算法(UserCF)
- windows下python3安装pip方法详解
- 美团笔试.最大子段和
- excel 柱状图 多个水滴图组合
- cmd怎么查看当前静态路由_计算机cmd命令之route,查看路由表,或配置一个更有效的路由...
- JavaScript实现Sleep效果
- centOS6.5中静默安装oracle 11gR2
- 阿里云弹性云桌面安装失败问题解决记录(.net framework 4.6.2 or later:Error Code: 12029)
- 惊心动魄的开源项目“政变”,堪比宫斗...
- android handler的机制和原理_Android完整知识体系路线(菜鸟-资深-大牛必进之路)