Fugu-MT 論文翻訳(概要): Histopathological Stain Transfer using Style Transfer Network with Adversarial Loss

論文の概要: Histopathological Stain Transfer using Style Transfer Network with Adversarial Loss

arxiv url: http://arxiv.org/abs/2010.02659v1
Date: Tue, 6 Oct 2020 12:10:50 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 07:49:02.466516
Title: Histopathological Stain Transfer using Style Transfer Network with Adversarial Loss
Title（参考訳）: 逆行性損失を伴うスタイルトランスファーネットワークを用いた病理組織染色
Authors: Harshal Nishar, Nikhil Chavanke, Nitin Singhal
Abstract要約: 本稿では,高速ニューラルネットワークを用いた染色正規化問題に対する新しい手法を提案する。また,高分解能ネットワーク(HRNet, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, HRNet)に基づく新しいステントランスジェネレータネットワークを提案する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning models that are trained on histopathological images obtained from a single lab and/or scanner give poor inference performance on images obtained from another scanner/lab with a different staining protocol. In recent years, there has been a good amount of research done for image stain normalization to address this issue. In this work, we present a novel approach for the stain normalization problem using fast neural style transfer coupled with adversarial loss. We also propose a novel stain transfer generator network based on High-Resolution Network (HRNet) which requires less training time and gives good generalization with few paired training images of reference stain and test stain. This approach has been tested on Whole Slide Images (WSIs) obtained from 8 different labs, where images from one lab were treated as a reference stain. A deep learning model was trained on this stain and the rest of the images were transferred to it using the corresponding stain transfer generator network. Experimentation suggests that this approach is able to successfully perform stain normalization with good visual quality and provides better inference performance compared to not applying stain normalization.
Abstract（参考訳）: 単一のラボおよび/またはスキャナから得られた病理画像に基づいて訓練されたディープラーニングモデルは、異なる染色プロトコルで他のスキャナ/ラボから得られた画像に対して、低い推論性能を与える。近年,この課題に対処するために,画像染色正規化のための研究が盛んに行われている。そこで本研究では, 高速ニューラルネットワークを用いた染色正規化問題に対して, 逆損失を併用した新しい手法を提案する。また,高分解能ネットワーク(HRNet)をベースとした新しいステンレストランスジェネレータネットワークを提案する。このアプローチは、8つの異なる研究室から得られた全スライド画像(WSI)でテストされ、1つの研究室の画像が参照染色として扱われた。この染色にディープラーニングモデルが組み込まれ、残りの画像は対応するステンドトランスファージェネレータネットワークを使用してその上に転送された。実験により, 染色正規化を施さない場合と比較して, 良好な視覚的品質で染色正規化を達成でき, 推論性能が向上することが示唆された。

関連論文リスト

Multi-target stain normalization for histology slides [6.820595748010971]
我々は,複数の参照画像を活用する新しい手法を導入し,染色変化に対する堅牢性を高める。提案手法はパラメータフリーであり,有意な変化のない既存の計算病理パイプラインに適用可能である。
論文参考訳（メタデータ） (2024-06-04T07:57:34Z)
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)
Pre-text Representation Transfer for Deep Learning with Limited Imbalanced Data : Application to CT-based COVID-19 Detection [18.72489078928417]
我々は、PRT(Pre-text Representation Transfer)という新しい概念を提案する。 PRTは元の分類層を保持し、教師なしのプレテキストタスクを通じて表現層を更新する。提案手法により,従来の移動学習よりも一貫した効果が得られた。
論文参考訳（メタデータ） (2023-01-21T04:47:35Z)
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)
Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文参考訳（メタデータ） (2022-08-05T18:52:20Z)
CyTran: A Cycle-Consistent Transformer with Multi-Level Consistency for Non-Contrast to Contrast CT Translation [56.622832383316215]
コントラストCTを非コントラストCTに変換する手法を提案する。提案手法は、CyTranを略して、サイクル一貫性のある生成逆転変換器に基づいている。実験の結果、CyTranは競合するすべての手法より優れています。
論文参考訳（メタデータ） (2021-10-12T23:25:03Z)
Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations [0.9051352746190446]
HistAuGANは、様々な現実的な組織学の染色色をシミュレートできるため、トレーニング中にニューラルネットワークの染色が不変になる。画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。
論文参考訳（メタデータ） (2021-07-26T17:52:39Z)
Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。本稿では,生成逆U-Netという新しい生成手法を提案する。当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文参考訳（メタデータ） (2021-01-12T23:02:26Z)
Classification of COVID-19 in CT Scans using Multi-Source Transfer Learning [91.3755431537592]
我々は,従来のトランスファー学習の改良にマルチソース・トランスファー・ラーニングを応用して,CTスキャンによる新型コロナウイルスの分類を提案する。マルチソースファインチューニングアプローチでは、ImageNetで微調整されたベースラインモデルよりも優れています。我々の最高のパフォーマンスモデルは、0.893の精度と0.897のリコールスコアを達成でき、ベースラインのリコールスコアを9.3%上回った。
論文参考訳（メタデータ） (2020-09-22T11:53:06Z)
Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis [5.33024001730262]
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。
論文参考訳（メタデータ） (2020-02-03T11:19:01Z)

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。