論文の概要: Ensuring accurate stain reproduction in deep generative networks for virtual immunohistochemistry

• arxiv url: http://arxiv.org/abs/2204.06849v1
• Date: Thu, 14 Apr 2022 09:51:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-15 21:43:40.730975
• Title: Ensuring accurate stain reproduction in deep generative networks for virtual immunohistochemistry
• Title（参考訳）: 仮想免疫組織化学のための深部発生ネットワークにおける正確な染色再生の確保
• Authors: Christopher D. Walsh, Joanne Edwards, Robert H. Insall
• Abstract要約: Generative Adrial Networksは、あるイメージを別のイメージにマッピングする上で、はるかに進歩している。 CycleGANは、病理画像マッピングで組織構造を創出することができるが、関連する沈着を持ち、不正確な染色の領域を生成する。 本稿では,CycleGANの損失関数を緩和し,病理画像のマッピング能力を向上する方法について述べる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immunohistochemistry is a valuable diagnostic tool for cancer pathology. However, it requires specialist labs and equipment, is time-intensive, and is difficult to reproduce. Consequently, a long term aim is to provide a digital method of recreating physical immunohistochemical stains. Generative Adversarial Networks have become exceedingly advanced at mapping one image type to another and have shown promise at inferring immunostains from haematoxylin and eosin. However, they have a substantial weakness when used with pathology images as they can fabricate structures that are not present in the original data. CycleGANs can mitigate invented tissue structures in pathology image mapping but have a related disposition to generate areas of inaccurate staining. In this paper, we describe a modification to the loss function of a CycleGAN to improve its mapping ability for pathology images by enforcing realistic stain replication while retaining tissue structure. Our approach improves upon others by considering structure and staining during model training. We evaluated our network using the Fr\'echet Inception distance, coupled with a new technique that we propose to appraise the accuracy of virtual immunohistochemistry. This assesses the overlap between each stain component in the inferred and ground truth images through colour deconvolution, thresholding and the Sorensen-Dice coefficient. Our modified loss function resulted in a Dice coefficient for the virtual stain of 0.78 compared with the real AE1/AE3 slide. This was superior to the unaltered CycleGAN's score of 0.74. Additionally, our loss function improved the Fr\'echet Inception distance for the reconstruction to 74.54 from 76.47. We, therefore, describe an advance in virtual restaining that can extend to other immunostains and tumour types and deliver reproducible, fast and readily accessible immunohistochemistry worldwide.
• Abstract（参考訳）: 免疫組織化学はがんの病理診断に有用である。 しかし、専門の研究室や機器が必要で、時間集約的で、再現が難しい。 したがって、長期的な目的は、免疫組織化学的染色を再現するデジタル方法を提供することである。 生成的逆境ネットワークは、ある画像タイプを別の画像タイプにマッピングするのに非常に進歩し、ヘマトキシリンとエオシンからの免疫染色を推測する可能性が示された。 しかし, 病理画像を用いた場合, 本来のデータには存在しない構造を創り出すことができるため, 重大な弱点がある。 CycleGANは、病理画像マッピングにおいて発明された組織構造を緩和することができるが、不正確な染色の領域を生成するために関連する沈着を有する。 本稿では,CycleGANの損失関数を改良し,組織構造を維持しながら現実的な染色複製を強制することにより,病理画像のマッピング能力を向上させる。 本手法は, モデルトレーニング中の構造や染色を考慮し, 他者を改良する。 仮想免疫組織化学の精度を評価するための新しい手法とともに,fr\'echetインセプション距離を用いてネットワークの評価を行った。 これにより、カラーデコンボリューション、しきい値、ソレンセン・ディス係数を用いて、推定された真理画像中の各染色成分の重なりを評価する。 その結果, 実AE1/AE3スライドと比較して, 仮想染色のDice係数は0.78であった。 これは未調整のCycleGANのスコア0.74よりも優れていた。 さらに再建のためのFr'echet開始距離を76.47から74.54に改善した。 そこで我々は,他の免疫染色剤や腫瘍に拡張し,再現性,迅速,容易な免疫組織化学を世界中に提供できる仮想修復の進歩について述べる。

関連論文リスト

• Deep Generative Classification of Blood Cell Morphology [7.494975467007647]
  細胞形態を効果的にモデル化する拡散型分類器であるCytoDiffusionを紹介する。 本手法は異常検出における最先端の識別モデルよりも優れている。 直接解釈可能な逆ファクト・ヒートマップの生成によりモデル説明可能性を向上させる。
  論文  参考訳（メタデータ） (2024-08-16T19:17:02Z)
• StealthDiffusion: Towards Evading Diffusion Forensic Detection through Diffusion Model [62.25424831998405]
  StealthDiffusionは、AI生成した画像を高品質で受け入れがたい敵の例に修正するフレームワークである。 ホワイトボックスとブラックボックスの設定の両方で有効であり、AI生成した画像を高品質な敵の偽造に変換する。
  論文  参考訳（メタデータ） (2024-08-11T01:22:29Z)
• Autonomous Quality and Hallucination Assessment for Virtual Tissue Staining and Digital Pathology [0.11728348229595655]
  仮想組織染色のための自律的品質・幻覚評価法(AQuA)を提案する。 AQuAは、許容され、受け入れられない事実上の染色組織像を検出すると、99.8%の精度を達成する。
  論文  参考訳（メタデータ） (2024-04-29T06:32:28Z)
• Virtual stain transfer in histology via cascaded deep neural networks [2.309018557701645]
  ケースドディープニューラルネットワーク(C-DNN)による仮想染色伝達フレームワークの実証を行った。 C-DNNは、入力として1つの染色タイプのみを取り込んで別の染色タイプの画像をデジタル出力する単一のニューラルネットワーク構造とは異なり、まず仮想染色を使用して、自己蛍光顕微鏡画像をH&Eに変換する。 我々は,H&E染色組織像を仮想PAS( periodic acid-Schiff)染色に変換することに成功した。
  論文  参考訳（メタデータ） (2022-07-14T00:43:18Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• Domain Invariant Model with Graph Convolutional Network for Mammogram Classification [49.691629817104925]
  グラフ畳み込みネットワークを用いたドメイン不変モデル(DIM-GCN)を提案する。 まず,潜伏変数を病原性その他の疾患関連部位に明示的に分解するベイズネットワークを提案する。 マクロな特徴をよりよく捉えるために、我々は、GCN(Graph Convolutional Network)を介して、観察された臨床特性を再構築の目的として活用する。
  論文  参考訳（メタデータ） (2022-04-21T08:23:44Z)
• 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)
• Assessing glaucoma in retinal fundus photographs using Deep Feature Consistent Variational Autoencoders [63.391402501241195]
  緑内障は症状が重くなるまで無症状のままでいるため、検出が困難である。 緑内障の早期診断は機能的,構造的,臨床的評価に基づいて行われることが多い。 ディープラーニング手法はこのジレンマを、マーカー識別段階をバイパスし、ハイレベルな情報を分析してデータを分類することで部分的に解決している。
  論文  参考訳（メタデータ） (2021-10-04T16:06:49Z)
• Deep learning-based bias transfer for overcoming laboratory differences of microscopic images [0.0]
  免疫蛍光(IF)およびヘマトキシリンおよびエオシン(H&E)染色顕微鏡画像の領域シフトを克服するために,既存の生成モデルアーキテクチャを評価し,比較し,改良する。 前立腺生検では,ヒト腎糸球体およびポドサイトに対するピクセルレベルのセグメンテーションが有意に向上し,分類精度が最大14%向上した。
  論文  参考訳（メタデータ） (2021-05-25T09:02:30Z)
• In-Line Image Transformations for Imbalanced, Multiclass Computer Vision Classification of Lung Chest X-Rays [91.3755431537592]
  本研究は、COVID-19 LCXRデータ不足のバランスをとるために画像変換を適用するために、文献の体系を活用することを目的としている。 convolutional neural networks(cnns)のようなディープラーニング技術は、健康状態と疾患状態を区別する特徴を選択することができる。 本研究は,CNNアーキテクチャを用いて高速多クラスLCXR分類を94%精度で行う。
  論文  参考訳（メタデータ） (2021-04-06T02:01:43Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)

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。