Fugu-MT 論文翻訳(概要): Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations

論文の概要: Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations

arxiv url: http://arxiv.org/abs/2107.12357v1
Date: Mon, 26 Jul 2021 17:52:39 GMT
ステータス: 処理完了
システム内更新日: 2021-07-27 17:37:45.809009
Title: Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations
Title（参考訳）: アンタングル表現を用いた構造保存型マルチドメインステインカラー拡張
Authors: Sophia J. Wagner, Nadieh Khalili, Raghav Sharma, Melanie Boxberg, Carsten Marr, Walter de Back, Tingying Peng
Abstract要約: HistAuGANは、様々な現実的な組織学の染色色をシミュレートできるため、トレーニング中にニューラルネットワークの染色が不変になる。画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。
参考スコア（独自算出の注目度）: 0.9051352746190446
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In digital pathology, different staining procedures and scanners cause substantial color variations in whole-slide images (WSIs), especially across different laboratories. These color shifts result in a poor generalization of deep learning-based methods from the training domain to external pathology data. To increase test performance, stain normalization techniques are used to reduce the variance between training and test domain. Alternatively, color augmentation can be applied during training leading to a more robust model without the extra step of color normalization at test time. We propose a novel color augmentation technique, HistAuGAN, that can simulate a wide variety of realistic histology stain colors, thus making neural networks stain-invariant when applied during training. Based on a generative adversarial network (GAN) for image-to-image translation, our model disentangles the content of the image, i.e., the morphological tissue structure, from the stain color attributes. It can be trained on multiple domains and, therefore, learns to cover different stain colors as well as other domain-specific variations introduced in the slide preparation and imaging process. We demonstrate that HistAuGAN outperforms conventional color augmentation techniques on a classification task on the publicly available dataset Camelyon17 and show that it is able to mitigate present batch effects.
Abstract（参考訳）: デジタル病理学において、異なる染色手順とスキャナーは、全体スライド画像(wsis)にかなりの色変化を引き起こす。これらの色変化は、学習領域から外部病理データへの深層学習手法の一般化が不十分な結果をもたらす。テスト性能を向上させるために、試験領域とトレーニング領域のばらつきを減らすために、染色正規化技術が使用される。あるいは、テスト時に色正規化の余分なステップなしで、より堅牢なモデルに繋がるトレーニング中に色拡張を適用することもできる。そこで本研究では,多彩な組織学的染色色をシミュレートし,トレーニング中にニューラルネットワークが変化しないような新しい色拡張法であるヒスタウガンを提案する。画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。我々は、HistAuGANが、公開データセットCamelyon17の分類タスクにおいて、従来の色増色技術よりも優れており、バッチ効果を緩和できることを実証した。

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)
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)
Control Color: Multimodal Diffusion-based Interactive Image Colorization [81.68817300796644]
Control Color (Ctrl Color) は、事前訓練された安定拡散(SD)モデルを利用する多モードカラー化手法である。ユーザのストロークをエンコードして、局所的な色操作を正確に行うための効果的な方法を提案する。また、カラーオーバーフローと不正確な色付けの長年の問題に対処するために、自己注意に基づく新しいモジュールとコンテンツ誘導型変形可能なオートエンコーダを導入する。
論文参考訳（メタデータ） (2024-02-16T17:51:13Z)
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)
ContriMix: Scalable stain color augmentation for domain generalization without domain labels in digital pathology [7.649593612014923]
ContriMix(コントリミクス)は、DRIT++をベースとした無料の染色色増色法である。トレーニング用ミニバッチとランダムミキシングのサンプル染色色変化を利用して、病理画像からコンテンツや属性情報を抽出する。その性能は、病理画像中の希少物質からの色変化に頑健でありながら、テストセット内の異なるスライド間で一貫性がある。
論文参考訳（メタデータ） (2023-06-07T15:36:26Z)
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)
PalGAN: Image Colorization with Palette Generative Adversarial Networks [51.59276436217957]
そこで本研究では,パレット推定とカラーアテンションを統合した新しいGANベースのカラー化手法PalGANを提案する。 PalGANは、定量的評価と視覚比較において最先端の成果を上げ、顕著な多様性、コントラスト、およびエッジ保存の外観を提供する。
論文参考訳（メタデータ） (2022-10-20T12:28:31Z)
Neural Color Operators for Sequential Image Retouching [62.99812889713773]
本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
論文参考訳（メタデータ） (2022-07-17T05:33:19Z)
Ensembling with Deep Generative Views [72.70801582346344]
生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
論文参考訳（メタデータ） (2021-04-29T17:58:35Z)
Stain Style Transfer of Histopathology Images Via Structure-Preserved Generative Learning [31.254432319814864]
本研究では,SSIM-GANとDSCSI-GANの2つのステンスタイル転送モデルを提案する。学習における構造保存指標と補助診断ネットのフィードバックを協調することにより、医療関連情報をカラー正規化画像に保存する。
論文参考訳（メタデータ） (2020-07-24T15:30:19Z)
Bridging the gap between Natural and Medical Images through Deep Colorization [15.585095421320922]
自然画像収集からの伝達学習は、形状、テクスチャ、色の違いに対処しようとする標準的な実践である。本研究では,これらの課題を解消し,色適応に着目した専用ネットワークモジュールの設計を提案する。カラーモジュールのスクラッチからの学習と異なる分類バックボーンの伝達学習を組み合わせることで、画像認識のためのエンドツーエンドで簡単にトレーニングできるアーキテクチャを得る。
論文参考訳（メタデータ） (2020-05-21T12:03:14Z)

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。