論文の概要: StainNet: a fast and robust stain normalization network

• arxiv url: http://arxiv.org/abs/2012.12535v5
• Date: Sat, 16 Jan 2021 05:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-26 02:46:22.976408
• Title: StainNet: a fast and robust stain normalization network
• Title（参考訳）: StainNet: 高速で堅牢な染色正規化ネットワーク
• Authors: Hongtao Kang, Die Luo, Weihua Feng, Junbo Hu, Shaoqun Zeng, Tingwei Quan, and Xiuli Liu
• Abstract要約: 本稿では、StainNetという1.28Kパラメータのみを持つ高速かつ堅牢な染色正規化ネットワークを提案する。 提案手法は染色正常化が良好であり,精度と画質が向上した。
• 参考スコア（独自算出の注目度）: 0.7796684624647288
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Due to a variety of factors, pathological images have large color variabilities, which hamper the performance of computer-aided diagnosis (CAD) systems. Stain normalization has been used to reduce the color variability and increase the accuracy of CAD systems. Among them, the conventional methods perform stain normalization on a pixel-by-pixel basis, but estimate stain parameters just relying on one single reference image and thus would incur some inaccurate normalization results. As for the current deep learning-based methods, it can automatically extract the color distribution and need not pick a representative reference image. While the deep learning-based methods have a complex structure with millions of parameters, and a relatively low computational efficiency and a risk to introduce artifacts. In this paper, a fast and robust stain normalization network with only 1.28K parameters named StainNet is proposed. StainNet can learn the color mapping relationship from a whole dataset and adjust the color value in a pixel-to-pixel manner. The proposed method performs well in stain normalization and achieves a better accuracy and image quality. Application results show the cervical cytology classification achieved a higher accuracy when after stain normalization of StainNet.
• Abstract（参考訳）: 様々な要因により、病理画像のカラーバリエーションが大きく、コンピュータ支援診断(CAD)システムの性能を損なう。 色変化の低減とCADシステムの精度向上にステン正規化が用いられている。 それらのうち,従来の方法では画素単位で染色正規化を行うが,単一の参照画像のみに依存する染色パラメータの推定を行うため,不正確な正規化結果が発生する。 現在のディープラーニングベースの手法では、色分布を自動的に抽出し、代表的な参照画像を選択する必要はない。 ディープラーニングベースの手法は、数百万のパラメータを持つ複雑な構造を持ち、計算効率が比較的低く、アーティファクトを導入するリスクもある。 本論文では,1.28kのパラメータしか持たない高速でロバストな染色正規化ネットワークを提案する。 StainNetはデータセット全体からカラーマッピング関係を学習し、ピクセル単位の方法で色値を調整することができる。 提案手法は染色正常化が良好であり,精度と画質が向上した。 応用の結果,染色剤の染色正常化後の頸部細胞診の分類は高い精度を示した。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• 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)
• StainFuser: Controlling Diffusion for Faster Neural Style Transfer in Multi-Gigapixel Histology Images [5.382682403111961]
  静止正規化アルゴリズムは、ソースマルチギガピクセルの組織像の色と強度特性を、対象画像と一致するように変換することを目的としている。 本稿では,新しい条件付き潜在拡散アーキテクチャを用いて,この問題をスタイル伝達タスクとして扱う新しいアプローチであるStainFuserを提案する。
  論文  参考訳（メタデータ） (2024-03-14T11:49:43Z)
• 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)
• Probabilistic Deep Metric Learning for Hyperspectral Image Classification [91.5747859691553]
  本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。 ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。 我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
  論文  参考訳（メタデータ） (2022-11-15T17:57:12Z)
• 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)
• Ultra-high-resolution unpaired stain transformation via Kernelized Instance Normalization [1.2234742322758418]
  カーネル化インスタンス正規化(KIN)による超高分解能画像-画像間翻訳の戦略を提案する。 KINはローカル情報を保存し、一定のGPUメモリ使用量でシームレスな染色変換を実現する。 これは、空間の複雑さが一定である超高解像度画像対画像変換のための最初の成功例である。
  論文  参考訳（メタデータ） (2022-08-23T04:47:43Z)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• 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)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• Fast, Self Supervised, Fully Convolutional Color Normalization of H&E Stained Images [3.1329883315045106]
  色の変化は、病理組織学における自動診断システムのためのディープラーニングベースのソリューションの展開に問題を引き起こす。 本稿では,自己教師付きトレーニングと推論において高速な色正規化手法を提案する。 本手法は,軽量な完全畳み込みニューラルネットワークをベースとして,深層学習に基づくパイプラインに前処理ブロックとして容易に取り付けることができる。
  論文  参考訳（メタデータ） (2020-11-30T17:05:58Z)

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。