Fugu-MT 論文翻訳(概要): Learning a low dimensional manifold of real cancer tissue with PathologyGAN

論文の概要: Learning a low dimensional manifold of real cancer tissue with PathologyGAN

arxiv url: http://arxiv.org/abs/2004.06517v1
Date: Mon, 13 Apr 2020 16:18:00 GMT
ステータス: 処理完了
システム内更新日: 2022-12-13 23:07:43.409441
Title: Learning a low dimensional manifold of real cancer tissue with PathologyGAN
Title（参考訳）: 病理組織GANを用いた腫瘍組織の低次元多様体の学習
Authors: Adalberto Claudio Quiros, Roderick Murray-Smith, and Ke Yuan
Abstract要約: 高忠実度癌組織像をシミュレートする深層生成モデルを提案する。このモデルは、以前に開発されたジェネレーティブ・敵ネットワークであるPathologyGANによって訓練されている。乳がんコホート249K画像を用いて潜伏空間について検討した。
参考スコア（独自算出の注目度）: 6.147958017186105
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Application of deep learning in digital pathology shows promise on improving disease diagnosis and understanding. We present a deep generative model that learns to simulate high-fidelity cancer tissue images while mapping the real images onto an interpretable low dimensional latent space. The key to the model is an encoder trained by a previously developed generative adversarial network, PathologyGAN. We study the latent space using 249K images from two breast cancer cohorts. We find that the latent space encodes morphological characteristics of tissues (e.g. patterns of cancer, lymphocytes, and stromal cells). In addition, the latent space reveals distinctly enriched clusters of tissue architectures in the high-risk patient group.
Abstract（参考訳）: デジタル病理学におけるディープラーニングの応用は、疾患の診断と理解を改善することを約束している。本研究では,高忠実な癌組織像をシミュレートし,実際の画像を解釈可能な低次元潜在空間にマッピングする深層生成モデルを提案する。このモデルの鍵は、以前に開発された生成的敵ネットワークであるPathologyGANによって訓練されたエンコーダである。乳がんコホート249K画像を用いて潜伏空間について検討した。潜伏空間は組織の形態学的特徴(例えば癌、リンパ球、間質細胞のパターン)をコードしている。さらに, 潜伏空間は, 高リスク患者群において, 組織構造を明瞭に集積した集合体を呈する。

関連論文リスト

Style transfer between Microscopy and Magnetic Resonance Imaging via Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文参考訳（メタデータ） (2023-10-16T13:58:53Z)
Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文参考訳（メタデータ） (2023-03-07T09:40:22Z)
Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文参考訳（メタデータ） (2022-06-16T17:11:08Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)
Redesigning Fully Convolutional DenseUNets for Large Histopathology Images [0.0]
病理組織学の問題を解決するために,完全畳み込みDenseUNetを提案する。課題として公表された2つの公開病理データセットを用いて,我々のネットワークを評価した。
論文参考訳（メタデータ） (2021-08-05T15:14:20Z)
Adversarial learning of cancer tissue representations [6.395981404833557]
手動のアノテーションを必要とせずに,癌組織の特徴表現を抽出する逆学習モデルを提案する。これらの表現は乳癌,大腸癌,肺がんの3種類の形態学的特徴を同定することができる。以上の結果から,本モデルが実際の組織試料の特異な表現特性を捉え,腫瘍進展と腫瘍微小環境のさらなる理解の道を開くことが示唆された。
論文参考訳（メタデータ） (2021-08-04T18:00:47Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
Deep Multi-Resolution Dictionary Learning for Histopathology Image Analysis [1.503974529275767]
組織画像における組織表現の問題を解くための深層辞書学習手法を提案する。提案フレームワークは,既存のcnnsモデルの多くを活用して,効果的な深層テクスチャ記述子を生成することができる。
論文参考訳（メタデータ） (2021-04-01T17:58:18Z)
Discovering Clinically Meaningful Shape Features for the Analysis of Tumor Pathology Images [2.864559331994679]
腫瘍組織スライドのデジタル画像化は、がん診断の日常的な臨床方法になりつつある。近年のディープラーニング手法の進歩により,病理画像中の腫瘍領域を大規模に検出し,特徴付けることが可能になった。
論文参考訳（メタデータ） (2020-12-09T05:56:41Z)
Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文参考訳（メタデータ） (2020-07-02T12:00:53Z)
Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。