論文の概要: Multi-scale super-resolution generation of low-resolution scanned pathological images

• arxiv url: http://arxiv.org/abs/2105.07200v1
• Date: Sat, 15 May 2021 11:09:05 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-18 14:30:42.026797
• Title: Multi-scale super-resolution generation of low-resolution scanned pathological images
• Title（参考訳）: 低分解能走査病理画像のマルチスケール超解像生成
• Authors: Yanhua Gao (1), Ting Xie (2), Xun Wang (2), Qingqing Yang (2), Le Chen (2), Kai Sun (2), Youmin Guo (1), Gang Yu (2), Kuansong Wang (3) ((1) Department of Medical Imaging, The First Affiliated Hospital of Xi'an Jiaotong University, 277 Yanta West Road, Xi'an, 710061, China. (2) Department of Biomedical Engineering, School of Basic Medical Sciences, Central South University, 172 Tongzipo Road, Changsha, 410013, China. (3) Department of Pathology, School of Basic Medical Sciences, Central South University, 172 Tongzipo Road, Changsha, 410013, China.)
• Abstract要約: 低解像度(5X)でスライドをスキャンする戦略を設計し、診断時に画像の詳細を復元するスーパーレゾリューション手法を提案します。 本手法は,10X,20X,40Xなどの高解像度画像を逐次生成するマルチスケール生成対向ネットワークに基づく。 10種類のヒト組織から10万の病理画像からなるデータセットをネットワークのトレーニングおよびテストのために実施する。
• 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: Digital pathology slide is easy to store and manage, convenient to browse and transmit. However, because of the high-resolution scan for example 40 times magnification(40X) during the digitization, the file size of each whole slide image exceeds 1Gigabyte, which eventually leads to huge storage capacity and very slow network transmission. We design a strategy to scan slides with low resolution (5X) and a super-resolution method is proposed to restore the image details when in diagnosis. The method is based on a multi-scale generative adversarial network, which sequentially generate three high-resolution images such as 10X, 20X and 40X. The perceived loss, generator loss of the generated images and real images are compared on three image resolutions, and a discriminator is used to evaluate the difference of highest-resolution generated image and real image. A dataset consisting of 100,000 pathological images from 10 types of human tissues is performed for training and testing the network. The generated images have high peak-signal-to-noise-ratio (PSNR) and structural-similarity-index (SSIM). The PSNR of 10X to 40X image are 24.16, 22.27 and 20.44, and the SSIM are 0.845, 0.680 and 0.512, which are better than other super-resolution networks such as DBPN, ESPCN, RDN, EDSR and MDSR. Moreover, visual inspections show that the generated high-resolution images by our network have enough details for diagnosis, good color reproduction and close to real images, while other five networks are severely blurred, local deformation or miss important details. Moreover, no significant differences can be found on pathological diagnosis based on the generated and real images. The proposed multi-scale network can generate good high-resolution pathological images, and will provide a low-cost storage (about 15MB/image on 5X), faster image sharing method for digital pathology.
• Abstract（参考訳）: デジタル病理スライドは保存と管理が簡単で、閲覧と送信が便利である。 しかし、デジタイズ中の40倍拡大(40x)のような高解像度スキャンのため、スライド画像全体のファイルサイズは1ギガバイトを超え、結果として大きなストレージ容量と非常に遅いネットワーク伝送に繋がる。 我々は低解像度(5X)でスライドをスキャンする手法を設計し、診断時に画像の詳細を復元する超解像法を提案する。 本手法は,10X,20X,40Xなどの高解像度画像を逐次生成するマルチスケール生成対向ネットワークに基づく。 生成画像と実画像の知覚損失、生成損失とを3つの画像解像度で比較し、最高解像度生成画像と実画像の差を判別器を用いて評価する。 10種類のヒト組織から10万の病理画像からなるデータセットをネットワークのトレーニングおよびテストのために実施する。 生成した画像は、高いピーク信号-雑音比(PSNR)と構造相似指数(SSIM)を有する。 10Xから40X画像のPSNRは24.16, 22.27, 20.44であり、SSIMは0.845, 0.680, 0.512であり、DBPN, ESPCN, RDN, EDSR, MDSRなどの超高解像度ネットワークよりも優れている。 また,視覚検査では,ネットワークが生成する高解像度画像には,診断や色再現,実画像に近い詳細情報があり,他の5つのネットワークは著しくぼやけたり,局所的な変形や重要な詳細を見逃したりする。 また, 生成画像と実画像による病理診断では有意な差は認められなかった。 提案するマルチスケールネットワークは,優れた高解像度の病理像を生成でき,低コストのストレージ(約15MB/image on 5X)と高速な画像共有方式を提供する。

関連論文リスト

• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• ScaleCrafter: Tuning-free Higher-Resolution Visual Generation with Diffusion Models [126.35334860896373]
  本研究では,事前学習した拡散モデルから,トレーニング画像サイズよりもはるかに高解像度で画像を生成する能力について検討する。 注意ベースや共同拡散アプローチのような、高分解能な生成のための既存の研究は、これらの問題にうまく対処できない。 本稿では,推論中の畳み込み知覚場を動的に調整できる簡易かつ効果的な再拡張法を提案する。
  論文  参考訳（メタデータ） (2023-10-11T17:52:39Z)
• Learning-based Framework for US Signals Super-resolution [0.0]
  得られた低解像度画像を視覚的手法でアップサンプリングする。 次に、アップサンプリングの品質を改善するために、学習ベースのモデルをトレーニングします。 提案手法を2次元ビデオの空間超解像に適用する。
  論文  参考訳（メタデータ） (2023-04-17T15:17:51Z)
• Fine-tuned Generative Adversarial Network-based Model for Medical Image Super-Resolution [2.647302105102753]
  The Real-Enhanced Super-Resolution Generative Adversarial Network (Real-ESRGAN) is a practical model for recovery HR images from real-world LR images。 実世界の画像劣化をシミュレートするReal-ESRGANの高次劣化モデルを用いる。 提案モデルでは,Real-ESRGANモデルに比べて知覚品質が優れ,細部を効果的に保存し,より現実的なテクスチャで画像を生成する。
  論文  参考訳（メタデータ） (2022-11-01T16:48:04Z)
• Projected GANs Converge Faster [50.23237734403834]
  GAN(Generative Adversarial Networks)は高品質な画像を生成するが、訓練は難しい。 生成したサンプルと実際のサンプルを固定された事前訓練された特徴空間に投影することで、これらの問題に大きく取り組みます。 我々の投影GANは画像品質、サンプル効率、収束速度を改善する。
  論文  参考訳（メタデータ） (2021-11-01T15:11:01Z)
• 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)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• Proxy-bridged Image Reconstruction Network for Anomaly Detection in Medical Images [59.700111685673846]
  医学画像における異常検出は、トレーニングセット内の正常画像のみを含む異常画像の識別を指す。 本稿では,医療画像の異常検出のための新しいプロキシブリッジ画像再構成ネットワーク(ProxyAno)を提案する。
  論文  参考訳（メタデータ） (2021-10-05T00:40:43Z)
• Blind microscopy image denoising with a deep residual and multiscale encoder/decoder network [0.0]
  深層マルチスケール畳み込みエンコーダデコーダニューラルネットワークを提案する。 提案されたモデルは、PSNRの平均38.38、SSIMの0.98の57458画像セットに到達した。
  論文  参考訳（メタデータ） (2021-05-01T14:54:57Z)
• 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)
• Memory-efficient GAN-based Domain Translation of High Resolution 3D Medical Images [0.15092198588928965]
  GAN(Generative Adversarial Network)は大規模な3次元医療画像にはほとんど適用されない。 本研究は、未ペアドメイン翻訳を確立するためのマルチスケールパッチベースのGANアプローチを提案する。 ドメイン翻訳シナリオの評価は155x240x240の脳MRIと最大512x512x512の胸部CTで行う。
  論文  参考訳（メタデータ） (2020-10-06T08:43:27Z)

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。