Fugu-MT 論文翻訳(概要): Towards Histopathological Stain Invariance by Unsupervised Domain Augmentation using Generative Adversarial Networks

論文の概要: Towards Histopathological Stain Invariance by Unsupervised Domain Augmentation using Generative Adversarial Networks

arxiv url: http://arxiv.org/abs/2012.12413v1
Date: Tue, 22 Dec 2020 23:32:17 GMT
ステータス: 処理完了
システム内更新日: 2021-04-26 07:35:45.534286
Title: Towards Histopathological Stain Invariance by Unsupervised Domain Augmentation using Generative Adversarial Networks
Title（参考訳）: ジェネレーティブ・ディバイサル・ネットワークを用いた教師なし領域拡張による病理組織像の不変性に向けて
Authors: Jelica Vasiljevi\'c and Friedrich Feuerhake and C\'edric Wemmert and Thomas Lampert
Abstract要約: 対比画像から画像への変換に基づく教師なし増分手法を提案する。ネットワークを一般的な染色モダリティでトレーニングし、それに対応するが異なる染色組織構造を含む画像に適用することにより、提案手法は大幅に改善されたことを示す。
参考スコア（独自算出の注目度）: 0.7340845393655052
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: The application of supervised deep learning methods in digital pathology is limited due to their sensitivity to domain shift. Digital Pathology is an area prone to high variability due to many sources, including the common practice of evaluating several consecutive tissue sections stained with different staining protocols. Obtaining labels for each stain is very expensive and time consuming as it requires a high level of domain knowledge. In this article, we propose an unsupervised augmentation approach based on adversarial image-to-image translation, which facilitates the training of stain invariant supervised convolutional neural networks. By training the network on one commonly used staining modality and applying it to images that include corresponding, but differently stained, tissue structures, the presented method demonstrates significant improvements over other approaches. These benefits are illustrated in the problem of glomeruli segmentation in seven different staining modalities (PAS, Jones H&E, CD68, Sirius Red, CD34, H&E and CD3) and analysis of the learned representations demonstrate their stain invariance.
Abstract（参考訳）: デジタル病理学における教師付き深層学習法の適用はドメインシフトに対する感度によって制限されている。デジタル病理学は、異なる染色プロトコルで染色された複数の連続した組織部分を評価する一般的な慣行を含む、多くの情報源により、高いばらつきを生じやすい領域である。各染色のラベルを取得するのは非常に高価で、高いレベルのドメイン知識を必要とするため、時間がかかります。本稿では,steit invariant supervised convolutional neural networksの学習を容易にする,逆画像から画像への変換に基づく教師なし拡張手法を提案する。ネットワークを1つの一般的な染色モダリティでトレーニングし、対応するが異なる染色組織構造を含む画像に適用することにより、他の手法よりも大幅に改善されたことを示す。これらの利点は、7つの異なる染色モード(PAS、Jones H&E、CD68、Sirius Red、CD34、H&E、CD3)における糸球体セグメンテーションの問題と、学習された表現の解析がそれらの染色不変性を示している。

関連論文リスト

Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-11-21T23:50:30Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer [9.8359439975283]
画素レベルのアライメントを回避し,画像の他の領域への変換を行う新しい仮想染色フレームワーク AGMDT を提案する。提案するフレームワーク AGMDT は,球状率検出と二部グラフマッチングにより,複数ドメインのシリアルスライスにまたがるパッチレベルのアライメントペアを検出する。実験の結果,提案したAGMDTは,高精度な画素レベルのアライメントと未ペアドメイン転送とのバランスが良好であることがわかった。
論文参考訳（メタデータ） (2023-09-12T17:37:56Z)
DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
論文参考訳（メタデータ） (2023-09-01T01:01:13Z)
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)
HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
論文参考訳（メタデータ） (2022-10-18T12:22:26Z)
Segmentation-guided Domain Adaptation and Data Harmonization of Multi-device Retinal Optical Coherence Tomography using Cycle-Consistent Generative Adversarial Networks [2.968191199408213]
本稿では,複数のデバイスからの画像を単一画像領域に適応させるセグメント化誘導型領域適応手法を提案する。来るべき新しいデータセットに対する手動ラベリングの時間消費と、既存のネットワークの再トレーニングを回避する。
論文参考訳（メタデータ） (2022-08-31T05:06:00Z)
MultiPathGAN: Structure Preserving Stain Normalization using Unsupervised Multi-domain Adversarial Network with Perception Loss [10.043946236248392]
病理組織学は、病気の診断に顕微鏡組織像の分析に頼っている。我々は,複数のデータ取得領域にまたがって,スライド画像全体を翻訳(正規化)する,教師なしの敵ネットワークを導入する。
論文参考訳（メタデータ） (2022-04-20T20:48:17Z)
Unsupervised Domain Adaptation with Contrastive Learning for OCT Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文参考訳（メタデータ） (2022-03-07T19:02:26Z)
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)
ElixirNet: Relation-aware Network Architecture Adaptation for Medical Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。 DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文参考訳（メタデータ） (2020-03-03T05:29:49Z)

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。