論文の概要: Generative Adversarial Networks in Digital Pathology: A Survey on Trends and Future Potential

• arxiv url: http://arxiv.org/abs/2004.14936v2
• Date: Thu, 7 May 2020 06:05:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-08 03:49:18.905454
• Title: Generative Adversarial Networks in Digital Pathology: A Survey on Trends and Future Potential
• Title（参考訳）: デジタル病理学における生成的敵ネットワーク--トレンドと将来の可能性に関する調査研究
• Authors: Maximilian Ernst Tschuchnig, Gertie Janneke Oostingh, Michael Gadermayr
• Abstract要約: 我々は,GAN(Generative Adversarial Networks)と呼ばれる,ヒストロジカルイメージデータに適用された強力なアーキテクチャのクラスに焦点を当てる。 GANは、以前難解だったこの分野のアプリケーションシナリオを可能にする。 GANの主な応用について述べ、選択した将来的なアプローチとその将来的な応用について展望する。
• 参考スコア（独自算出の注目度）: 1.8907108368038215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image analysis in the field of digital pathology has recently gained increased popularity. The use of high-quality whole slide scanners enables the fast acquisition of large amounts of image data, showing extensive context and microscopic detail at the same time. Simultaneously, novel machine learning algorithms have boosted the performance of image analysis approaches. In this paper, we focus on a particularly powerful class of architectures, called Generative Adversarial Networks (GANs), applied to histological image data. Besides improving performance, GANs also enable application scenarios in this field, which were previously intractable. However, GANs could exhibit a potential for introducing bias. Hereby, we summarize the recent state-of-the-art developments in a generalizing notation, present the main applications of GANs and give an outlook of some chosen promising approaches and their possible future applications. In addition, we identify currently unavailable methods with potential for future applications.
• Abstract（参考訳）: デジタル病理学の分野における画像解析が最近人気が高まっている。 高品質な全スライドスキャナーを使用することで、大量の画像データを素早く取得でき、同時にコンテキストと微視的詳細を同時に表示する。 同時に、新しい機械学習アルゴリズムは、画像分析アプローチのパフォーマンスを高めた。 本稿では,特に強力なアーキテクチャであるGAN(Generative Adversarial Networks)に着目し,組織像データに適用する。 パフォーマンスの改善に加えて、これまで難解だったこの分野のアプリケーションシナリオも実現している。 しかし、GANはバイアスを導入する可能性がある。 本稿では,最新の技術開発を一般化した表記法で要約し,gansの主な応用例を示し,選択された有望なアプローチと今後の応用の可能性について概観する。 さらに、将来的な応用の可能性のある現在利用できない手法を同定する。

関連論文リスト

• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• GenFace: A Large-Scale Fine-Grained Face Forgery Benchmark and Cross Appearance-Edge Learning [50.7702397913573]
  フォトリアリスティック・ジェネレータの急速な進歩は、真の画像と操作された画像の相違がますます不明瞭になっている臨界点に達している。 公開されている顔の偽造データセットはいくつかあるが、偽造顔は主にGANベースの合成技術を用いて生成される。 我々は,大規模で多様できめ細かな高忠実度データセットであるGenFaceを提案し,ディープフェイク検出の進展を促進する。
  論文  参考訳（メタデータ） (2024-02-03T03:13:50Z)
• Towards Graph Foundation Models: A Survey and Beyond [66.37994863159861]
  ファンデーションモデルは、さまざまな人工知能アプリケーションにおいて重要なコンポーネントとして現れてきた。 基礎モデルがグラフ機械学習研究者を一般化し、適応させる能力は、新しいグラフ学習パラダイムを開発する可能性について議論する。 本稿では,グラフ基礎モデル(GFM)の概念を紹介し,その重要な特徴と基礎技術について概説する。
  論文  参考訳（メタデータ） (2023-10-18T09:31:21Z)
• Multiple Instance Learning for Digital Pathology: A Review on the State-of-the-Art, Limitations & Future Potential [0.29008108937701327]
  デジタルスライド画像には膨大な情報が含まれている。 ディープニューラルネットワークは、デジタル病理学の分野における様々なタスクに対して高いポテンシャルを示す。 ディープラーニングアルゴリズムは、効果的なトレーニングを可能にするために、大量の画像データに加えて、(手動)アノテーションを必要とする。 複数のインスタンス学習は、完全な注釈付きデータなしでシナリオでディープニューラルネットワークを学習するための強力なツールである。
  論文  参考訳（メタデータ） (2022-06-09T11:27:26Z)
• Generative Adversarial Networks for Image Super-Resolution: A Survey [101.39605080291783]
  単一画像超解像(SISR)は画像処理の分野で重要な役割を果たしている。 近年のGAN(Generative Adversarial Network)は,小サンプルを用いた低解像度画像に対して優れた結果が得られる。 本稿では,異なる視点からGANの比較研究を行う。
  論文  参考訳（メタデータ） (2022-04-28T16:35:04Z)
• Pathology-Aware Generative Adversarial Networks for Medical Image Augmentation [0.22843885788439805]
  GAN(Generative Adversarial Networks)は、現実的だが斬新なサンプルを生成し、実際の画像分布を効果的にカバーする。 この論文は、医師とのコラボレーションにおいて、そのような新しい応用の臨床的意義を提示することを目的とした4つのGANプロジェクトを含んでいる。
  論文  参考訳（メタデータ） (2021-06-03T15:08:14Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Medical Image Generation using Generative Adversarial Networks [0.0]
  GAN(Generative Adversarial Network)は、コンピュータビジョンコミュニティにおいて、教師なしのディープラーニングアプローチである。 GANはリアルな医療画像とそれに対応するアノテーションを生成する。 Deep Convolutional GAN (DCGAN)、Laplacian GAN (LAPGAN)、Pix2pix、CycleGAN、unsupervised image-to-image translation model (UNIT)など、医学画像の解釈で人気を得たガンの様々なフレームワーク
  論文  参考訳（メタデータ） (2020-05-19T20:31:57Z)

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。