論文の概要: Selective Synthetic Augmentation with HistoGAN for Improved
Histopathology Image Classification
- arxiv url: http://arxiv.org/abs/2111.06399v1
- Date: Wed, 10 Nov 2021 23:25:39 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-15 14:16:14.293594
- Title: Selective Synthetic Augmentation with HistoGAN for Improved
Histopathology Image Classification
- Title（参考訳）: 組織病理画像分類におけるヒストガンの選択的合成増強
- Authors: Yuan Xue, Jiarong Ye, Qianying Zhou, Rodney Long, Sameer Antani,
Zhiyun Xue, Carl Cornwell, Richard Zaino, Keith Cheng, Xiaolei Huang
- Abstract要約: 我々は,クラスラベルに条件付けされたリアルな病理像パッチを合成するための条件付きGANモデル,すなわちHistoGANを提案する。
また,提案したHistoGANによって生成された新しい合成画像パッチを選択的に追加する新しい合成拡張フレームワークについても検討した。
リンパ節病理組織像と転移性癌のリンパ節病理組織像の2つのデータセットについて検討した。
- 参考スコア（独自算出の注目度）: 11.087537668968888
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Histopathological analysis is the present gold standard for precancerous
lesion diagnosis. The goal of automated histopathological classification from
digital images requires supervised training, which requires a large number of
expert annotations that can be expensive and time-consuming to collect.
Meanwhile, accurate classification of image patches cropped from whole-slide
images is essential for standard sliding window based histopathology slide
classification methods. To mitigate these issues, we propose a carefully
designed conditional GAN model, namely HistoGAN, for synthesizing realistic
histopathology image patches conditioned on class labels. We also investigate a
novel synthetic augmentation framework that selectively adds new synthetic
image patches generated by our proposed HistoGAN, rather than expanding
directly the training set with synthetic images. By selecting synthetic images
based on the confidence of their assigned labels and their feature similarity
to real labeled images, our framework provides quality assurance to synthetic
augmentation. Our models are evaluated on two datasets: a cervical
histopathology image dataset with limited annotations, and another dataset of
lymph node histopathology images with metastatic cancer. Here, we show that
leveraging HistoGAN generated images with selective augmentation results in
significant and consistent improvements of classification performance (6.7% and
2.8% higher accuracy, respectively) for cervical histopathology and metastatic
cancer datasets.
- Abstract（参考訳）: 病理組織学的解析は, 先天性病変の診断基準である。
デジタル画像からの病理組織学的自動分類の目標は、管理された訓練を必要とする。
一方,全スライディング画像から抽出した画像パッチの正確な分類は,標準スライディングウィンドウに基づく組織学的スライド分類法に不可欠である。
これらの問題を緩和するために, クラスラベルを条件とした現実的な病理組織像パッチを合成するために, 慎重に設計された条件付きganモデル, ヒストガンを提案する。
また,提案したHistoGANが生成する新たな合成画像パッチを選択的に追加する新たな合成拡張フレームワークについても検討した。
与えられたラベルの信頼性と実際のラベル画像との特徴の類似性に基づいて合成画像を選択することにより,合成拡張に対する品質保証を提供する。
対象は頸部組織病理画像データセットと転移性癌を伴うリンパ節病理画像データセットの2つである。
ここでは,HistoGAN生成画像の選択的増強により,頚部病理組織学および転移性癌データセットの分類性能(それぞれ6.7%と2.8%の精度)が有意に向上したことを示す。
関連論文リスト
- Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-09-24T12:02:55Z) - Two-stage Cytopathological Image Synthesis for Augmenting Cervical
Abnormality Screening [13.569003698448]
データ収集とアノテーションの努力を最小限に抑えるため、病理画像合成が自然に行われる。
頚部異常スクリーニングのための合成データを作成するための2段階画像合成フレームワークを提案する。
提案する合成フレームワークの合成画像品質,多様性,制御性について実験を行った。
論文 参考訳（メタデータ） (2024-02-22T17:06:47Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Unified Framework for Histopathology Image Augmentation and Classification via Generative Models [6.404713841079193]
本稿では,データ生成とモデルトレーニングの段階を統一プロセスに統合する,革新的な統一フレームワークを提案する。
提案手法では、画像合成と分類の両方を同時に扱うために、純粋視覚変換器(ViT)ベースの条件付き生成適応ネットワーク(cGAN)モデルを用いる。
本実験により,我々の統合合成増強フレームワークは,病理組織像分類モデルの性能を一貫して向上させることが示された。
論文 参考訳（メタデータ） (2022-12-20T03:40:44Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳（メタデータ） (2022-06-16T17:11:08Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳（メタデータ） (2022-03-29T08:41:17Z) - 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) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z) - Synthetic Sample Selection via Reinforcement Learning [8.099072894865802]
本稿では,信頼性と情報的特徴を有する合成画像の選択を学習する,強化学習に基づく合成サンプル選択法を提案する。
頚部データセットとリンパ節データセットの実験では、画像分類性能がそれぞれ8.1%と2.3%向上した。
論文 参考訳（メタデータ） (2020-08-26T01:34:19Z)
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。