論文の概要: Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation

• arxiv url: http://arxiv.org/abs/2111.12138v1
• Date: Tue, 23 Nov 2021 20:19:20 GMT
• ステータス: 処理完了
• システム内更新日: 2021-11-26 02:19:02.440931
• Title: Multi-Modality Microscopy Image Style Transfer for Nuclei Segmentation
• Title（参考訳）: 核セグメンテーションのためのマルチモダリティ顕微鏡画像スタイル転送
• Authors: Ye Liu, Sophia J. Wagner, Tingying Peng
• Abstract要約: 本稿では,GAN(Generative Adversarial Network)に基づく顕微鏡的拡張手法を提案する。 他のスタイルの転送方法とは異なり、異なる細胞アッセイタイプや照明条件だけでなく、異なる画像モダリティも扱える。 我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。
• 参考スコア（独自算出の注目度）: 3.535158633337794
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Annotating microscopy images for nuclei segmentation is laborious and time-consuming. To leverage the few existing annotations, also across multiple modalities, we propose a novel microscopy-style augmentation technique based on a generative adversarial network (GAN). Unlike other style transfer methods, it can not only deal with different cell assay types and lighting conditions, but also with different imaging modalities, such as bright-field and fluorescence microscopy. Using disentangled representations for content and style, we can preserve the structure of the original image while altering its style during augmentation. We evaluate our data augmentation on the 2018 Data Science Bowl dataset consisting of various cell assays, lighting conditions, and imaging modalities. With our style augmentation, the segmentation accuracy of the two top-ranked Mask R-CNN-based nuclei segmentation algorithms in the competition increases significantly. Thus, our augmentation technique renders the downstream task more robust to the test data heterogeneity and helps counteract class imbalance without resampling of minority classes.
• Abstract（参考訳）: 核分割のための顕微鏡画像の注釈付けは手間と時間を要する。 既存のアノテーションを多目的に活用するために,GAN(Generative Adversarial Network)に基づく新しい顕微鏡式拡張手法を提案する。 他のスタイル転送法とは異なり、異なるセルアッセイの種類や照明条件を扱うだけでなく、明るい視野や蛍光顕微鏡のような異なる撮像モードを扱うことができる。 コンテンツとスタイルのアンタングル表現を用いて、拡張中にそのスタイルを変更しながら元の画像の構造を保存できる。 我々は,様々な細胞アッセイ,照明条件,画像モダリティからなる2018年データサイエンスボウルデータセットを用いて,データ拡張を評価した。 提案方式の強化により,競争における上位2つのMask R-CNNベース核分割アルゴリズムのセグメンテーション精度は著しく向上した。 これにより,テストデータの不均一性に対して下流タスクをより堅牢にし,マイノリティクラスの再サンプリングを必要とせず,クラス不均衡に対処できる。

関連論文リスト

• Practical Guidelines for Cell Segmentation Models Under Optical Aberrations in Microscopy [14.042884268397058]
  本研究は,光収差下でのセル画像のセグメンテーションモデルについて,蛍光顕微鏡と光電場顕微鏡を用いて評価する。 ネットワークヘッドの異なるOstoしきい値法やMask R-CNNなどのセグメンテーションモデルをトレーニングし,テストする。 対照的に、Cellpose 2.0は同様の条件下で複雑な細胞画像に有効であることが証明されている。
  論文  参考訳（メタデータ） (2024-04-12T15:45:26Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Focus on Content not Noise: Improving Image Generation for Nuclei Segmentation by Suppressing Steganography in CycleGAN [1.564260789348333]
  本稿では,DCTに基づく低域通過フィルタリングを用いて,ステガノグラフィーと呼ばれる隠れショートカット情報を生成画像から除去することを提案する。 我々はF1スコアの5.4ポイントをバニラサイクロンと比較して改善した。
  論文  参考訳（メタデータ） (2023-08-03T13:58:37Z)
• 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)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• 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)
• Search for temporal cell segmentation robustness in phase-contrast microscopy videos [31.92922565397439]
  本研究では,3次元コラーゲンマトリックスに埋め込まれた癌細胞を分画する深層学習ワークフローを提案する。 また, 癌細胞形態を研究するための幾何学的特徴付け手法を提案する。 2Dセルのセグメンテーションと追跡のための新しいアノテーション付きデータセットと、実験を再現したり、新しい画像処理問題に適応するためのオープンソース実装を導入する。
  論文  参考訳（メタデータ） (2021-12-16T12:03:28Z)
• From augmented microscopy to the topological transformer: a new approach in cell image analysis for Alzheimer's research [0.0]
  細胞画像解析は、細胞機能を抑制するA$beta$タンパク質の存在を検出するために、アルツハイマーの研究において重要である。 Unetは,マルチクラスセマンティックスセグメンテーションの性能を比較することで,拡張顕微鏡に最も適していることがわかった。 我々は,Unetモデルを用いて,光電場画像中の原子核を捕捉する拡張顕微鏡法を開発し,入力画像を位相情報列に変換する。
  論文  参考訳（メタデータ） (2021-08-03T16:59:33Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。