Nucleolar organizer regions (NORs) are parts of the DNA that are involved in RNA transcription. Due to the silver affinity of associated proteins, argyrophilic NORs (AgNORs) can be visualized using silver-based staining. The average number of AgNORs per nucleus has been shown to be a prognostic factor for predicting the outcome of many tumors. Since manual detection of AgNORs is laborious, automation is of high interest. We present a deep learning-based pipeline for automatically determining the AgNOR-score from histopathological sections. An additional annotation experiment was conducted with six pathologists to provide an independent performance evaluation of our approach. Across all raters and images, we found a mean squared error of 0.054 between the AgNOR- scores of the experts and those of the model, indicating that our approach offers performance comparable to humans.
translated by 谷歌翻译
植物是动态生物。对于野外所有机器人来说，了解植被的时间变化是一个必不可少的问题。但是，在时间上关联重复的3D植物扫描是具有挑战性的。此过程中的关键步骤是随着时间的推移重新识别和跟踪相同的单个植物组件。以前，这是通过比较其全球空间或拓扑位置来实现的。在这项工作中，我们演示了使用形状功能如何改善颞器官匹配。我们提出了一种无里程碑的形状压缩算法，该算法允许提取叶子的3D形状特征，在少数参数中有效地表征叶片形状和曲率，并使特征空间中各个叶子的关联成为可能。该方法使用主成分分析（PCA）结合了3D轮廓提取和进一步的压缩，以产生形状空间编码，这完全是从数据中学到的，并保留有关边缘轮廓和3D曲率的信息。我们对番茄植物的时间扫描序列的评估表明，结合形状特征可改善颞叶匹配。形状，位置和旋转信息的结合证明了最有用的信息，可以随着时间的推移识别叶子，并产生75％的真正正率，对固定方法提高了15％。这对于机器人作物监测至关重要，这可以实现全面的表型。
translated by 谷歌翻译
我们实施了两个不同的三维深度学习神经网络，并评估了它们在非对比度计算机断层扫描（CT）上看到的颅内出血（ICH）的能力。一种模型，称为“沿正交关注u-net沿正交级别的素隔离”（Viola-Unet），其体系结构元素可适应2022年实例的数据挑战。第二个比较模型是从No-New U-NET（NNU-NET）得出的。输入图像和地面真理分割图用于以监督方式分别训练两个网络。验证数据随后用于半监督培训。在5倍交叉验证期间比较了模型预测。中提琴 - UNET的表现优于四个性能指标中的两个（即NSD和RVD）的比较网络。将中提琴和NNU-NET网络组合的合奏模型在DSC和HD方面的性能最高。我们证明，与3D U-NET相关的ICH分割性能优势有效地合并了U-NET的解码分支期间的空间正交特征。 Viola-Unet AI工具的代码基础，预估计的权重和Docker图像将在https://github.com/samleoqh/viola-unet上公开获得。
translated by 谷歌翻译