論文の概要: Blind deblurring for microscopic pathology images using deep learning networks

• arxiv url: http://arxiv.org/abs/2011.11879v1
• Date: Tue, 24 Nov 2020 03:52:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-21 12:52:21.295373
• Title: Blind deblurring for microscopic pathology images using deep learning networks
• Title（参考訳）: 深層学習ネットワークを用いた微視的病理像のブラインドデブロアリング
• Authors: Cheng Jiang (1), Jun Liao (1), Pei Dong (1), Zhaoxuan Ma (1), De Cai (1), Guoan Zheng (2), Yueping Liu (3), Hong Bu (4 and 5) and Jianhua Yao (1) ((1) Tencent AI Lab, Shenzhen, China,(2) Department of Biomedical Engineering, University of Connecticut, Storrs, CT, USA,(3) Department of Pathology, The Fourth Hospital of Hebei Medical University, Hebei, China,(4) Department of Pathology, West China Hospital, Sichuan University, Chengdu, China,(5) Laboratory of Pathology, Clinical Research Centre for Breast, West China Hospital, Sichuan University, Chengdu, China.)
• Abstract要約: 顕微鏡画像のデフォーカスや動きのぼかしを軽減できるディープラーニングベースのアプローチを実証する。 ぼやけたタイプ、ぼやけた範囲、病理染色を事前に知ることなく、より鮮明できめ細かな画像が得られる。 そこで我々は, 画像のぼかし補正とAIアルゴリズムの診断結果の改善に優れた性能を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Artificial Intelligence (AI)-powered pathology is a revolutionary step in the world of digital pathology and shows great promise to increase both diagnosis accuracy and efficiency. However, defocus and motion blur can obscure tissue or cell characteristics hence compromising AI algorithms'accuracy and robustness in analyzing the images. In this paper, we demonstrate a deep-learning-based approach that can alleviate the defocus and motion blur of a microscopic image and output a sharper and cleaner image with retrieved fine details without prior knowledge of the blur type, blur extent and pathological stain. In this approach, a deep learning classifier is first trained to identify the image blur type. Then, two encoder-decoder networks are trained and used alone or in combination to deblur the input image. It is an end-to-end approach and introduces no corrugated artifacts as traditional blind deconvolution methods do. We test our approach on different types of pathology specimens and demonstrate great performance on image blur correction and the subsequent improvement on the diagnosis outcome of AI algorithms.
• Abstract（参考訳）: 人工知能(AI)を利用した病理学は、デジタル病理学の世界における革命的なステップであり、診断精度と効率の両方を向上する大きな可能性を秘めている。 しかし、デフォーカスとモーションボケは組織や細胞の特徴を曖昧にすることで、画像解析におけるAIアルゴリズムの精度と堅牢性を損なう可能性がある。 本稿では,顕微鏡画像のデフォーカスや動きのぼかしを軽減し,ぼかしの種類,ぼかし範囲,病理染色の事前知識を必要とせずに,より鮮明で清潔な画像を抽出する深層学習に基づくアプローチを示す。 このアプローチでは、ディープラーニングの分類器を最初にトレーニングして、イメージのぼかしタイプを識別する。 次に、2つのエンコーダ-デコーダネットワークを訓練し、単独または組み合わせて入力画像をデブラリングする。 これはエンドツーエンドのアプローチであり、従来のブラインドデコンボリューションメソッドのように、波形アーチファクトは導入しない。 病理標本の異なるタイプについて本手法をテストし,画像のぼかし補正とその後のaiアルゴリズムの診断結果の改善に優れた効果を示す。

関連論文リスト

• Advancements in Feature Extraction Recognition of Medical Imaging Systems Through Deep Learning Technique [0.36651088217486427]
  高速な画像認識を実現するために,重みに基づく目的関数を提案する。 単純なアルゴリズムを用いたしきい値最適化手法を提案する。 異なる種類のオブジェクトは互いに独立しており、画像処理においてコンパクトであることがわかった。
  論文  参考訳（メタデータ） (2024-05-23T04:46:51Z)
• Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
  重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。 精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
  論文  参考訳（メタデータ） (2023-11-02T13:57:48Z)
• Deep learning network to correct axial and coronal eye motion in 3D OCT retinal imaging [65.47834983591957]
  深層学習に基づくニューラルネットワークを用いて,OCTの軸運動とコロナ運動のアーチファクトを1つのスキャンで補正する。 実験結果から, 提案手法は動作アーチファクトを効果的に補正し, 誤差が他の方法よりも小さいことを示す。
  論文  参考訳（メタデータ） (2023-05-27T03:55:19Z)
• 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)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• 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)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)
• Self-Supervised Linear Motion Deblurring [112.75317069916579]
  深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。 本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。 我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
  論文  参考訳（メタデータ） (2020-02-10T20:15:21Z)
• Regression and Learning with Pixel-wise Attention for Retinal Fundus Glaucoma Segmentation and Detection [3.7687214264740994]
  緑内障検出のための深層学習に基づく2つの自動アルゴリズムと光ディスクとカップセグメンテーションを提案する。 我々は、注意機構を利用して、正確な予測のためにピクセルワイドな特徴を学習する。
  論文  参考訳（メタデータ） (2020-01-06T23:54:27Z)

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。