論文の概要: Deep Learning-Assisted Co-registration of Full-Spectral Autofluorescence Lifetime Microscopic Images with H&E-Stained Histology Images

• arxiv url: http://arxiv.org/abs/2202.07755v1
• Date: Tue, 15 Feb 2022 22:09:06 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-18 04:19:49.019470
• Title: Deep Learning-Assisted Co-registration of Full-Spectral Autofluorescence Lifetime Microscopic Images with H&E-Stained Histology Images
• Title（参考訳）: H&E染色組織像を用いたフルスペクトルオート蛍光顕微鏡画像の深層学習支援
• Authors: Qiang Wang, Susan Fernandes, Gareth O. S. Williams, Neil Finlayson, Ahsan R. Akram, Kevin Dhaliwal, James R. Hopgood, Marta Vallejo
• Abstract要約: 我々は,共同登録の成功を著しく改善する,教師なし画像-画像間翻訳ネットワークを示す。 このアプローチは、この範囲を超えるライフタイムイメージや他の染色技術に、力ずくで拡張できる可能性がある。
• 参考スコア（独自算出の注目度）: 5.9861067768807
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Autofluorescence lifetime images reveal unique characteristics of endogenous fluorescence in biological samples. Comprehensive understanding and clinical diagnosis rely on co-registration with the gold standard, histology images, which is extremely challenging due to the difference of both images. Here, we show an unsupervised image-to-image translation network that significantly improves the success of the co-registration using a conventional optimisation-based regression network, applicable to autofluorescence lifetime images at different emission wavelengths. A preliminary blind comparison by experienced researchers shows the superiority of our method on co-registration. The results also indicate that the approach is applicable to various image formats, like fluorescence intensity images. With the registration, stitching outcomes illustrate the distinct differences of the spectral lifetime across an unstained tissue, enabling macro-level rapid visual identification of lung cancer and cellular-level characterisation of cell variants and common types. The approach could be effortlessly extended to lifetime images beyond this range and other staining technologies.
• Abstract（参考訳）: 自己蛍光寿命画像は生体試料中の内在性蛍光の特徴を示す。 包括的理解と臨床診断は, 両画像の相違により極めて困難である金標準, 組織像との共存に依存している。 ここでは, 従来の最適化回帰ネットワークを用いて, 異なる発光波長の自己蛍光寿命画像に適用し, 共同登録の成功を著しく向上させる, 教師なし画像変換ネットワークを示す。 経験者による予備的なブラインド比較は,共同登録における手法の優位性を示している。 また, この手法は蛍光強度画像など, 様々な画像形式に適用可能であることを示す。 この登録により、ステッチの結果は、未維持組織全体のスペクトル寿命の異なる違いを示し、肺がんのマクロレベルの迅速な視覚的識別と、細胞変異体および一般的なタイプの細胞レベルでのキャラクタリゼーションを可能にする。 このアプローチは、この範囲を超えるライフタイムイメージや他の染色技術に、力ずくで拡張することができる。

関連論文リスト

• A Time-Intensity Aware Pipeline for Generating Late-Stage Breast DCE-MRI using Generative Adversarial Models [0.3499870393443268]
  組織中のコントラスト剤 (CA) の生物学的挙動を利用した新規な損失関数を提案し, 画素アテンションに基づく生成モデルを最適化した。 従来の正規化法や標準化法とは異なり、複数のタイムスタンプで画像列間のコントラスト拡張パターンを維持する新しい正規化手法を開発した。
  論文  参考訳（メタデータ） (2024-09-03T04:31:49Z)
• k-SALSA: k-anonymous synthetic averaging of retinal images via local style alignment [6.36950432352094]
  我々は,網膜基底像を合成するためのGANベースのフレームワークであるk-SALSAを紹介する。 k-SALSAは、網膜画像の実用的なパフォーマンスを達成するために、GANのトレーニングと反転のための最先端技術を組み合わせている。 我々の研究は、科学的コラボレーションのための網膜画像のより広範な共有に向けた一歩である。
  論文  参考訳（メタデータ） (2023-03-20T01:47:04Z)
• 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)
• Multi-modal Retinal Image Registration Using a Keypoint-Based Vessel Structure Aligning Network [9.988115865060589]
  マルチモーダル網膜画像登録のためのエンドツーエンドのトレーニング可能なディープラーニング手法を提案する。 本手法は,キーポイントの検出と記述のために,容器構造から畳み込み特性を抽出する。 キーポイント検出・記述ネットワークとグラフニューラルネットワークは、自己教師された方法で共同で訓練される。
  論文  参考訳（メタデータ） (2022-07-21T14:36:51Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Semantic segmentation of multispectral photoacoustic images using deep learning [53.65837038435433]
  光音響イメージングは医療に革命をもたらす可能性がある。 この技術の臨床的翻訳には、高次元取得したデータを臨床的に関連性があり解釈可能な情報に変換する必要がある。 本稿では,多スペクトル光音響画像のセマンティックセグメンテーションに対する深層学習に基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-20T09:33:55Z)
• Cross-Spectral Periocular Recognition with Conditional Adversarial Networks [59.17685450892182]
  本研究では,近赤外・近赤外スペクトル間の近赤外画像の変換を訓練した条件付き生成逆相関ネットワークを提案する。 EER=1%, GAR>99% @ FAR=1%, ポリUデータベースの最先端技術に匹敵するスペクトル近視性能を得た。
  論文  参考訳（メタデータ） (2020-08-26T15:02:04Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。