論文の概要: Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain
Normalization in Histopathology Images Analysis
- arxiv url: http://arxiv.org/abs/2002.00647v1
- Date: Mon, 3 Feb 2020 11:19:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-04 09:24:42.802574
- Title: Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain
Normalization in Histopathology Images Analysis
- Title(参考訳): pix2pix-based stain-to-stain translation : 病理組織像解析におけるロバストな染色正規化の解法
- Authors: Pegah Salehi, Abdolah Chalechale
- Abstract要約: Stain-to-Stain Translation (STST) はヘマトキシリンおよびエオシン染色組織像の正常化に用いられている。
条件付きジェネレータ対向ネットワーク(cGAN)を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
- 参考スコア(独自算出の注目度): 5.33024001730262
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: The diagnosis of cancer is mainly performed by visual analysis of the
pathologists, through examining the morphology of the tissue slices and the
spatial arrangement of the cells. If the microscopic image of a specimen is not
stained, it will look colorless and textured. Therefore, chemical staining is
required to create contrast and help identify specific tissue components.
During tissue preparation due to differences in chemicals, scanners, cutting
thicknesses, and laboratory protocols, similar tissues are usually varied
significantly in appearance. This diversity in staining, in addition to
Interpretive disparity among pathologists more is one of the main challenges in
designing robust and flexible systems for automated analysis. To address the
staining color variations, several methods for normalizing stain have been
proposed. In our proposed method, a Stain-to-Stain Translation (STST) approach
is used to stain normalization for Hematoxylin and Eosin (H&E) stained
histopathology images, which learns not only the specific color distribution
but also the preserves corresponding histopathological pattern. We perform the
process of translation based on the pix2pix framework, which uses the
conditional generator adversarial networks (cGANs). Our approach showed
excellent results, both mathematically and experimentally against the state of
the art methods. We have made the source code publicly available.
- Abstract(参考訳): がんの診断は主に、組織スライスの形態と細胞の空間配置を調べることによって、病理学者の視覚的な分析によって行われる。
標本の顕微鏡画像が染色されていなければ、無色でテクスチャに見えます。
したがって、化学染色はコントラストを作り、特定の組織成分を特定するのに役立つ。
化学薬品、スキャナー、切削厚み、および実験室のプロトコルの違いによる組織形成の間、類似した組織は通常、外観が著しく変化する。
この染色の多様性は、病理学者間の解釈上の相違に加えて、自動分析のための堅牢で柔軟なシステムを設計する上での大きな課題の1つである。
染色色の変化に対処するため,染色の標準化方法がいくつか提案されている。
提案法では,ヘマトキシリンとエオシン(h&e)の染色組織像の正規化を染色し,特定の色分布だけでなく,それに対応する組織病理学的パターンの保存も行う。
我々は,条件付きジェネレータ対向ネットワーク (cGAN) を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
提案手法は, 数学的, 実験的にも優れた結果を示した。
ソースコードを公開しました。
関連論文リスト
- Single color virtual H&E staining with In-and-Out Net [0.8271394038014485]
本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。
我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
論文 参考訳(メタデータ) (2024-05-22T01:17:27Z) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳(メタデータ) (2023-04-04T17:50:30Z) - A comparative evaluation of image-to-image translation methods for stain
transfer in histopathology [0.0]
画像から画像への変換(I2I)法では、オリジナル画像の内容を共有するが、異なるスタイルの人工画像を生成することができる。
I2I法は、異なるタイプの染色からシリカ染色組織の人工像を生成するためにも用いられた。
GANに基づく画像処理法では,12の染色転移法を比較し,その内3つの手法が従来手法と9つの手法に基づいている。
論文 参考訳(メタデータ) (2023-03-29T20:27:49Z) - Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。
この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
論文 参考訳(メタデータ) (2023-03-14T15:23:48Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Adversarial Stain Transfer to Study the Effect of Color Variation on
Cell Instance Segmentation [0.0]
組織像中の色変化は様々な要因によって引き起こされ、病理医の視覚的診断だけでなく、細胞分画アルゴリズムにも困難である。
現在のセルセグメンテーション法では, 染色の正規化を前処理段階として体系的に適用しているが, 色変化による影響は定量化されていない。
論文 参考訳(メタデータ) (2022-09-01T16:57:54Z) - RandStainNA: Learning Stain-Agnostic Features from Histology Slides by
Bridging Stain Augmentation and Normalization [45.81689497433507]
ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。
この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。
RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
論文 参考訳(メタデータ) (2022-06-25T16:43:59Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Stain Style Transfer of Histopathology Images Via Structure-Preserved
Generative Learning [31.254432319814864]
本研究では,SSIM-GANとDSCSI-GANの2つのステンスタイル転送モデルを提案する。
学習における構造保存指標と補助診断ネットのフィードバックを協調することにより、医療関連情報をカラー正規化画像に保存する。
論文 参考訳(メタデータ) (2020-07-24T15:30:19Z)
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。