論文の概要: H\&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin \& Eosin regression

• arxiv url: http://arxiv.org/abs/2201.06329v1
• Date: Mon, 17 Jan 2022 10:34:23 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-19 17:48:09.444170
• Title: H\&E-adversarial network: a convolutional neural network to learn stain-invariant features through Hematoxylin \& Eosin regression
• Title（参考訳）: h\&e-adversarial network: hematoxylin \& eosin regression による染色不変特徴学習のための畳み込みニューラルネットワーク
• Authors: Niccol\'o Marini, Manfredo Atzori, Sebastian Ot\'alora, Stephane Marchand-Maillet, Henning M\"uller
• Abstract要約: 本稿では,様々な色の変化を含むデータに基づいて,畳み込みニューラルネットワーク(CNN)を学習する新しい手法を提案する。 H&E-adversarial CNNと呼ばれるこの手法は、トレーニング中にH&Eマトリックス情報を利用して、染色不変の特徴を学習する。
• 参考スコア（独自算出の注目度）: 1.7371375427784381
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computational pathology is a domain that aims to develop algorithms to automatically analyze large digitized histopathology images, called whole slide images (WSI). WSIs are produced scanning thin tissue samples that are stained to make specific structures visible. They show stain colour heterogeneity due to different preparation and scanning settings applied across medical centers. Stain colour heterogeneity is a problem to train convolutional neural networks (CNN), the state-of-the-art algorithms for most computational pathology tasks, since CNNs usually underperform when tested on images including different stain variations than those within data used to train the CNN. Despite several methods that were developed, stain colour heterogeneity is still an unsolved challenge that limits the development of CNNs that can generalize on data from several medical centers. This paper aims to present a novel method to train CNNs that better generalize on data including several colour variations. The method, called H\&E-adversarial CNN, exploits H\&E matrix information to learn stain-invariant features during the training. The method is evaluated on the classification of colon and prostate histopathology images, involving eleven heterogeneous datasets, and compared with five other techniques used to handle stain colour heterogeneity. H\&E-adversarial CNNs show an improvement in performance compared to the other algorithms, demonstrating that it can help to better deal with stain colour heterogeneous images.
• Abstract（参考訳）: コンピュータ病理学(Computational pathology)は、スライド画像全体 (WSI) と呼ばれる大規模なデジタル組織像を自動的に解析するアルゴリズムを開発することを目的とした分野である。 WSIは、特定の構造を可視化するために染色された薄い組織サンプルを走査する。 医療センター間で異なる準備とスキャン設定により、染色色の不均一性を示す。 色の不均一性は、ほとんどの計算病理タスクの最先端アルゴリズムである畳み込みニューラルネットワーク(CNN)を訓練する問題である。 いくつかの方法が開発されているにもかかわらず、染色色の不均一性は、いくつかの医療センターのデータに基づいて一般化できるCNNの開発を制限する未解決の課題である。 本稿では,複数の色変化を含むデータをより一般化するcnnの訓練手法を提案する。 この方法はh\&e-adversarial cnnと呼ばれ、h\&eマトリクス情報を利用してトレーニング中に染色不変の特徴を学ぶ。 この方法は,11種類の異種データセットを含む大腸および前立腺病理画像の分類において評価され,染色色多様性を扱うために用いられる他の5つの手法と比較された。 H\&E-adversarial CNNは、他のアルゴリズムと比較して性能が向上し、色の不均一な画像に対処するのに役立つことを示した。

関連論文リスト

• Color Equivariant Convolutional Networks [50.655443383582124]
  CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
  論文  参考訳（メタデータ） (2023-10-30T09:18:49Z)
• On the ability of CNNs to extract color invariant intensity based features for image classification [4.297070083645049]
  畳み込みニューラルネットワーク(CNN)は視覚関連タスクにおいて顕著な成功を収めている。 近年の研究では、画像分類作業において、CNNは対象形状ではなくテクスチャに偏っていることが示唆されている。 本稿では,CNNが文脈や背景を維持しつつ,画像内の異なる色分布に適応できる能力について検討する。
  論文  参考訳（メタデータ） (2023-07-13T00:36:55Z)
• Convolutional Neural Network-Based Automatic Classification of Colorectal and Prostate Tumor Biopsies Using Multispectral Imagery: System Development Study [7.566742780233967]
  生検標本の多スペクトル画像から大腸癌と前立腺腫瘍を分類するためのCNNモデルを提案する。 その結果,前立腺および大腸のデータセットの平均検査精度は99.8%と99.5%と優れた成績を示した。 提案したCNNアーキテクチャは,大腸癌と前立腺癌を分類する上で,最も優れたシステムであった。
  論文  参考訳（メタデータ） (2023-01-30T18:28:25Z)
• 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)
• Data-Efficient Vision Transformers for Multi-Label Disease Classification on Chest Radiographs [55.78588835407174]
  視覚変換器(ViT)は一般的な画像の分類性能が高いにもかかわらず、このタスクには適用されていない。 ViTは、畳み込みではなくパッチベースの自己アテンションに依存しており、CNNとは対照的に、ローカル接続に関する事前の知識は存在しない。 以上の結果から,ViTとCNNのパフォーマンスはViTの利点に匹敵するものの,DeiTsはトレーニング用に適度に大規模なデータセットが利用可能であれば,前者よりも優れることがわかった。
  論文  参考訳（メタデータ） (2022-08-17T09:07:45Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Stain Normalized Breast Histopathology Image Recognition using Convolutional Neural Networks for Cancer Detection [9.826027427965354]
  近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。 乳腺病理像の2値分類のためのCNNモデルについて検討した。 我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
  論文  参考訳（メタデータ） (2022-01-04T03:09:40Z)
• 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)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• Learning Interpretable Microscopic Features of Tumor by Multi-task Adversarial CNNs To Improve Generalization [1.7371375427784381]
  既存のCNNモデルはブラックボックスとして機能し、医師が重要な診断機能がモデルによって使用されることを保証しない。 ここでは,マルチタスクと敵の損失を両立させる不確実性に基づく重み付けの組み合わせをエンド・ツー・エンドで学習することにより,病理的特徴に焦点を合わせることを推奨する。 AUC 0.89 (0.01) がベースラインであるAUC 0.86 (0.005) に対して最も高い値を示した。
  論文  参考訳（メタデータ） (2020-08-04T12:10:35Z)
• 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)

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。