論文の概要: StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification
- arxiv url: http://arxiv.org/abs/2007.05008v1
- Date: Thu, 9 Jul 2020 18:02:49 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-12 05:09:23.868797
- Title: StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification
- Title（参考訳）: StyPath:ロバストな組織像分類のためのスタイル変換データ拡張
- Authors: Pietro Antonio Cicalese, Aryan Mobiny, Pengyu Yuan, Jan Becker,
Chandra Mohan, Hien Van Nguyen
- Abstract要約: 我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。
以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
- 参考スコア（独自算出の注目度）: 6.690876060631452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The classification of Antibody Mediated Rejection (AMR) in kidney transplant
remains challenging even for experienced nephropathologists; this is partly
because histological tissue stain analysis is often characterized by low
inter-observer agreement and poor reproducibility. One of the implicated causes
for inter-observer disagreement is the variability of tissue stain quality
between (and within) pathology labs, coupled with the gradual fading of
archival sections. Variations in stain colors and intensities can make tissue
evaluation difficult for pathologists, ultimately affecting their ability to
describe relevant morphological features. Being able to accurately predict the
AMR status based on kidney histology images is crucial for improving patient
treatment and care. We propose a novel pipeline to build robust deep neural
networks for AMR classification based on StyPath, a histological data
augmentation technique that leverages a light weight style-transfer algorithm
as a means to reduce sample-specific bias. Each image was generated in 1.84 +-
0.03 seconds using a single GTX TITAN V gpu and pytorch, making it faster than
other popular histological data augmentation techniques. We evaluated our model
using a Monte Carlo (MC) estimate of Bayesian performance and generate an
epistemic measure of uncertainty to compare both the baseline and StyPath
augmented models. We also generated Grad-CAM representations of the results
which were assessed by an experienced nephropathologist; we used this
qualitative analysis to elucidate on the assumptions being made by each model.
Our results imply that our style-transfer augmentation technique improves
histological classification performance (reducing error from 14.8% to 11.5%)
and generalization ability.
- Abstract（参考訳）: 腎移植例においても, 抗AMRの分類は困難であり, 組織組織染色は低サーバ間一致と低再現性が特徴である。
オブザーバ間不一致の原因の1つは、病理研究所(および内部)間の組織染色の質の変動と、アーカイブセクションの段階的な縮小である。
染色色や強度の変化は、病理学者にとって組織評価を困難にし、最終的に関連する形態的特徴を記述する能力に影響を及ぼす。
腎臓組織像に基づくamr状態を正確に予測できることは、患者の治療と治療を改善する上で重要である。
そこで本研究では,amr分類のためのロバストな深層ニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像はGTX TITAN V gpuとpytorchを使って1.84 +0.03秒で生成され、他の一般的な組織学的データ拡張技術よりも高速になった。
我々は,モンテカルロ (MC) のベイズ性能の推定値を用いてモデル評価を行い,ベースラインモデルとStyPath拡張モデルを比較した。
また,経験的神経病理医が評価した結果のGrad-CAM表現も生成し,この定性解析を用いて各モデルによる仮定の解明を行った。
その結果,本手法は組織学的分類性能(誤差を14.8%から11.5%に低減)と一般化能力を向上させることが示唆された。
関連論文リスト
- Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - Rapid hyperspectral photothermal mid-infrared spectroscopic imaging from
sparse data for gynecologic cancer tissue subtyping [3.550171634694342]
ミドル赤外線(Mid-Infrared、MIR)は、ラベルなし、生化学的に定量的な技術である。
この研究は、MIR光熱画像への新しいアプローチを示し、その速度を桁違いに向上させる。
論文 参考訳（メタデータ） (2024-02-28T00:57:35Z) - Automated SSIM Regression for Detection and Quantification of Motion
Artefacts in Brain MR Images [54.739076152240024]
磁気共鳴脳画像における運動アーチファクトは重要な問題である。
MR画像の画質評価は,臨床診断に先立って基本的である。
構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
論文 参考訳（メタデータ） (2022-06-14T10:16:54Z) - Multi stain graph fusion for multimodal integration in pathology [0.5942143381145052]
本稿では,多モードCNN-GNNに基づくグラフ融合手法を提案する。
CRN線維症ステージとNAS(NAFLD Activity Score)を予測して非アルコール性脂肪肝炎(NASH)におけるこのアプローチを実証した。
単一定常モデルを用いた場合, 線維化段階およびNAS成分濃度の予測における最大20%の改善が報告された。
論文 参考訳（メタデータ） (2022-04-26T18:49:24Z) - 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) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - Medulloblastoma Tumor Classification using Deep Transfer Learning with
Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。
161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文 参考訳（メタデータ） (2021-09-10T13:07:11Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Deep learning-based bias transfer for overcoming laboratory differences
of microscopic images [0.0]
免疫蛍光(IF)およびヘマトキシリンおよびエオシン(H&E)染色顕微鏡画像の領域シフトを克服するために,既存の生成モデルアーキテクチャを評価し,比較し,改良する。
前立腺生検では,ヒト腎糸球体およびポドサイトに対するピクセルレベルのセグメンテーションが有意に向上し,分類精度が最大14%向上した。
論文 参考訳（メタデータ） (2021-05-25T09:02:30Z) - Harvesting, Detecting, and Characterizing Liver Lesions from Large-scale
Multi-phase CT Data via Deep Dynamic Texture Learning [24.633802585888812]
ダイナミックコントラストCT(Dynamic contrast Computed Tomography)のための完全自動多段階肝腫瘍評価フレームワークを提案する。
本システムでは, 腫瘍提案検出, 腫瘍採取, 原発部位の選択, 深部テクスチャに基づく腫瘍評価の4段階からなる。
論文 参考訳（メタデータ） (2020-06-28T19:55:34Z)
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。