論文の概要: RestainNet: a self-supervised digital re-stainer for stain normalization
- arxiv url: http://arxiv.org/abs/2202.13804v1
- Date: Mon, 28 Feb 2022 14:05:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-01 17:29:08.802627
- Title: RestainNet: a self-supervised digital re-stainer for stain normalization
- Title（参考訳）: restainnet: 染色正規化のための自己監視型デジタル再ステイン
- Authors: Bingchao Zhao, Jiatai Lin, Changhong Liang, Zongjian Yi, Xin Chen,
Bingbing Li, Weihao Qiu, Danyi Li, Li Liang, Chu Han, and Zaiyi Liu
- Abstract要約: 染色正規化をデジタル再封止プロセスとして定式化し,RestainNetと呼ばれる自己教師型学習モデルを提案した。
我々のネットワークは、不安定な(グレースケール)イメージを再構成する方法を学ぶデジタル・リステナーと見なされている。
- 参考スコア（独自算出の注目度）: 8.740191087897987
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Color inconsistency is an inevitable challenge in computational pathology,
which generally happens because of stain intensity variations or sections
scanned by different scanners. It harms the pathological image analysis
methods, especially the learning-based models. A series of approaches have been
proposed for stain normalization. However, most of them are lack flexibility in
practice. In this paper, we formulated stain normalization as a digital
re-staining process and proposed a self-supervised learning model, which is
called RestainNet. Our network is regarded as a digital restainer which learns
how to re-stain an unstained (grayscale) image. Two digital stains, Hematoxylin
(H) and Eosin (E) were extracted from the original image by Beer-Lambert's Law.
We proposed a staining loss to maintain the correctness of stain intensity
during the restaining process. Thanks to the self-supervised nature, paired
training samples are no longer necessary, which demonstrates great flexibility
in practical usage. Our RestainNet outperforms existing approaches and achieves
state-of-the-art performance with regard to color correctness and structure
preservation. We further conducted experiments on the segmentation and
classification tasks and the proposed RestainNet achieved outstanding
performance compared with SOTA methods. The self-supervised design allows the
network to learn any staining style with no extra effort.
- Abstract（参考訳）: 色非一貫性は計算病理学において避けられない課題であり、一般的には染色強度の変化や異なるスキャナーでスキャンされた部分によって起こる。
病理画像解析手法、特に学習に基づくモデルに悪影響を及ぼす。
染色正規化のための一連のアプローチが提案されている。
しかし、そのほとんどは実際には柔軟性を欠いている。
本稿では,ステンド正規化をデジタル再保持プロセスとして定式化し,RestainNetと呼ばれる自己教師型学習モデルを提案する。
我々のネットワークは、未完の(グレースケールの)イメージを再維持する方法を学ぶデジタル・レステイナーとみなされている。
ヘマトキシリン(H)とエオシン(E)の2つのデジタル染色は、ベーア=ランベルトの法則により元の画像から抽出された。
残留過程における染色強度の正しさを維持するため,染色損失を提案した。
自己監督的な性質により、ペアトレーニングのサンプルはもはや不要となり、実用的な使用において大きな柔軟性が示される。
我々のRestainNetは既存のアプローチより優れており、色補正と構造保存に関して最先端のパフォーマンスを実現しています。
さらにセグメンテーションと分類タスクの実験を行い、提案したRestainNetはSOTA法と比較して優れた性能を示した。
自己監督設計により、ネットワークは余分な労力なしでステインスタイルを学べる。
関連論文リスト
- IReNe: Instant Recoloring of Neural Radiance Fields [54.94866137102324]
我々は、NeRFにおける高速、ほぼリアルタイムな色編集を可能にするIReNeを紹介する。
トレーニング済みのNeRFモデルとユーザ対応カラー編集によるトレーニングイメージを併用する。
この調整により、モデルはトレーニング画像からの色変化を正確に表現して、新しいシーンビューを生成することができる。
論文 参考訳（メタデータ） (2024-05-30T09:30:28Z) - Single color digital H&E staining with In-and-Out Net [0.8271394038014485]
本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。
我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
論文 参考訳（メタデータ） (2024-05-22T01:17:27Z) - Iterative Token Evaluation and Refinement for Real-World
Super-Resolution [77.74289677520508]
実世界の画像超解像(RWSR)は、低品質(LQ)画像が複雑で未同定の劣化を起こすため、長年にわたる問題である。
本稿では,RWSRのための反復的トークン評価・リファインメントフレームワークを提案する。
ITERはGAN(Generative Adversarial Networks)よりも訓練が容易であり,連続拡散モデルよりも効率的であることを示す。
論文 参考訳（メタデータ） (2023-12-09T17:07:32Z) - Stain Consistency Learning: Handling Stain Variation for Automatic
Digital Pathology Segmentation [3.2386272343130127]
染色色不変の特徴を学習するために,染色特異的増色と染色一貫性損失関数を組み合わせた新しいフレームワークを提案する。
マソンのトリクロマトクロムとH&E染色細胞と核データセットの10つの手法を比較した。
その結果,染色法は同等あるいは悪い性能を示したが,染色法や染色法では性能が向上した。
論文 参考訳（メタデータ） (2023-11-11T12:00:44Z) - Unsupervised Deep Digital Staining For Microscopic Cell Images Via
Knowledge Distillation [46.006296303296544]
大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。
本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。
提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
論文 参考訳（メタデータ） (2023-03-03T16:26:38Z) - 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) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - RandStainNA: Learning Stain-Agnostic Features from Histology Slides by
Bridging Stain Augmentation and Normalization [45.81689497433507]
ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。
この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。
RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
論文 参考訳（メタデータ） (2022-06-25T16:43:59Z) - Structure-Preserving Multi-Domain Stain Color Augmentation using
Style-Transfer with Disentangled Representations [0.9051352746190446]
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。
論文 参考訳（メタデータ） (2021-07-26T17:52:39Z) - Histopathological Stain Transfer using Style Transfer Network with
Adversarial Loss [0.0]
本稿では,高速ニューラルネットワークを用いた染色正規化問題に対する新しい手法を提案する。
また,高分解能ネットワーク(HRNet, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, High-Resolution Network, HRNet)に基づく新しいステントランスジェネレータネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-06T12:10:50Z)
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。