論文の概要: Deep Multi-Resolution Dictionary Learning for Histopathology Image
Analysis
- arxiv url: http://arxiv.org/abs/2104.00669v1
- Date: Thu, 1 Apr 2021 17:58:18 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-02 17:17:34.452818
- Title: Deep Multi-Resolution Dictionary Learning for Histopathology Image
Analysis
- Title(参考訳): 病理画像解析のための深層多解辞書学習
- Authors: Nima Hatami and Mohsin Bilal and Nasir Rajpoot
- Abstract要約: 組織画像における組織表現の問題を解くための深層辞書学習手法を提案する。
提案フレームワークは,既存のcnnsモデルの多くを活用して,効果的な深層テクスチャ記述子を生成することができる。
- 参考スコア(独自算出の注目度): 1.503974529275767
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The problem of recognizing various types of tissues present in
multi-gigapixel histology images is an important fundamental pre-requisite for
downstream analysis of the tumor microenvironment in a bottom-up analysis
paradigm for computational pathology. In this paper, we propose a deep
dictionary learning approach to solve the problem of tissue phenotyping in
histology images. We propose deep Multi-Resolution Dictionary Learning
(deepMRDL) in order to benefit from deep texture descriptors at multiple
different spatial resolutions. We show the efficacy of the proposed approach
through extensive experiments on four benchmark histology image datasets from
different organs (colorectal cancer, breast cancer and breast lymphnodes) and
tasks (namely, cancer grading, tissue phenotyping, tumor detection and tissue
type classification). We also show that the proposed framework can employ most
off-the-shelf CNNs models to generate effective deep texture descriptors.
- Abstract(参考訳): 多ギガピクセルの組織像に存在する様々な種類の組織を認識する問題は、計算病理学のボトムアップ分析パラダイムにおいて、腫瘍微小環境の下流解析に重要な基礎的前提条件である。
本稿では組織像における組織表現型化の問題を解決するための深層辞書学習手法を提案する。
複数の空間解像度の深いテクスチャ記述子を活用するために,Deep Multi-Resolution Dictionary Learning (deepMRDL)を提案する。
提案手法の有効性は, 異なる臓器(大腸癌, 乳癌, 乳腺リンパ節)から得られた4つのベンチマーク組織像データセット, および課題(がんグレーディング, 組織表現型, 腫瘍検出, 組織型分類)を用いて実験的に検証した。
また,提案フレームワークは市販のCNNモデルの多くを用いて,効率的な深層テクスチャ記述子を生成することができることを示す。
関連論文リスト
- HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。
私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文 参考訳(メタデータ) (2024-08-16T17:19:07Z) - Style transfer between Microscopy and Magnetic Resonance Imaging via
Generative Adversarial Network in small sample size settings [49.84018914962972]
磁気共鳴イメージング(MRI)のクロスモーダル増強と、同じ組織サンプルに基づく顕微鏡イメージングが期待できる。
コンディショナル・ジェネレーティブ・逆境ネットワーク (cGAN) アーキテクチャを用いて, コーパス・カロサムのMRI画像から顕微鏡組織像を生成する方法を検討した。
論文 参考訳(メタデータ) (2023-10-16T13:58:53Z) - Computational Modeling of Deep Multiresolution-Fractal Texture and Its
Application to Abnormal Brain Tissue Segmentation [0.0]
本稿では,MFDNN(Multi resolution Fractal Deep Neural Network)のモデリングとその計算実装を提案する。
最新のBRATS 2021 Challengesを用いてMFDNNモデルの評価を行った。
論文 参考訳(メタデータ) (2023-06-07T20:04:23Z) - Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。
腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
論文 参考訳(メタデータ) (2023-03-07T09:40:22Z) - A Morphology Focused Diffusion Probabilistic Model for Synthesis of
Histopathology Images [0.5541644538483947]
深層学習法は組織像の解析と分類に大きな進歩をもたらした。
これらの合成画像は、教育、熟練度テスト、プライバシ、データ共有など、病理学にいくつかの応用がある。
論文 参考訳(メタデータ) (2022-09-27T05:58:35Z) - 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) - MCUa: Multi-level Context and Uncertainty aware Dynamic Deep Ensemble
for Breast Cancer Histology Image Classification [18.833782238355386]
我々は,MCUa(Multi-level Context and Uncertainty aware)動的深層学習アンサンブルモデルという新しいCNNを提案する。
MCUamodelは、乳がん組織像データセットで98.11%の精度を達成した。
論文 参考訳(メタデータ) (2021-08-24T13:18:57Z) - ShuffleUNet: Super resolution of diffusion-weighted MRIs using deep
learning [47.68307909984442]
SISR(Single Image Super-Resolution)は、1つの低解像度入力画像から高解像度(HR)の詳細を得る技術である。
ディープラーニングは、大きなデータセットから事前知識を抽出し、低解像度の画像から優れたMRI画像を生成します。
論文 参考訳(メタデータ) (2021-02-25T14:52:23Z) - Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo
Hyperspectral Tumor Type Classification [49.32653090178743]
ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。
我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-02T12:00:53Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - Deep Transfer Learning for Texture Classification in Colorectal Cancer
Histology [0.0]
偏微分微調整と一サイクル政治を併用し,構造保存色正規化を適用して結果を向上する。
96.2%の最先端テスト精度を達成することで、メモリ制限ハードウェアにSqueezeNetと呼ばれるデプロイメントフレンドリなアーキテクチャの使用も開始しました。
論文 参考訳(メタデータ) (2020-04-03T15:05:36Z)
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。