論文の概要: MultiPathGAN: Structure Preserving Stain Normalization using
Unsupervised Multi-domain Adversarial Network with Perception Loss
- arxiv url: http://arxiv.org/abs/2204.09782v1
- Date: Wed, 20 Apr 2022 20:48:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-23 03:43:59.173815
- Title: MultiPathGAN: Structure Preserving Stain Normalization using
Unsupervised Multi-domain Adversarial Network with Perception Loss
- Title(参考訳): 知覚損失を伴う非教師付きマルチドメイン逆ネットワークによる染色正常化保存構造
- Authors: Haseeb Nazki, Ognjen Arandjelovi\'c, InHwa Um, David Harrison
- Abstract要約: 病理組織学は、病気の診断に顕微鏡組織像の分析に頼っている。
我々は,複数のデータ取得領域にまたがって,スライド画像全体を翻訳(正規化)する,教師なしの敵ネットワークを導入する。
- 参考スコア(独自算出の注目度): 10.043946236248392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathology relies on the analysis of microscopic tissue images to
diagnose disease. A crucial part of tissue preparation is staining whereby a
dye is used to make the salient tissue components more distinguishable.
However, differences in laboratory protocols and scanning devices result in
significant confounding appearance variation in the corresponding images. This
variation increases both human error and the inter-rater variability, as well
as hinders the performance of automatic or semi-automatic methods. In the
present paper we introduce an unsupervised adversarial network to translate
(and hence normalize) whole slide images across multiple data acquisition
domains. Our key contributions are: (i) an adversarial architecture which
learns across multiple domains with a single generator-discriminator network
using an information flow branch which optimizes for perceptual loss, and (ii)
the inclusion of an additional feature extraction network during training which
guides the transformation network to keep all the structural features in the
tissue image intact. We: (i) demonstrate the effectiveness of the proposed
method firstly on H\&E slides of 120 cases of kidney cancer, as well as (ii)
show the benefits of the approach on more general problems, such as flexible
illumination based natural image enhancement and light source adaptation.
- Abstract(参考訳): 病理組織学は、病気の診断に顕微鏡組織像の分析に依存する。
組織製剤の重要な部分は染色であり、染料を用いて唾液組織成分をより区別しやすくする。
しかし、実験室のプロトコルと走査装置の違いは、対応する画像の外観の大幅な変化をもたらす。
この変動は、人的エラーと層間変動の両方を増大させ、自動または半自動の手法の性能を阻害する。
本稿では,複数のデータ取得領域にまたがる全スライド画像の翻訳(および正規化)を行う非教師付き対向ネットワークを提案する。
私たちの重要な貢献は
(i)知覚的損失を最適化した情報フロー分岐を用いて、単一のジェネレータ・判別ネットワークで複数のドメインをまたいで学習する敵対的アーキテクチャ
(ii)組織像の全ての構造的特徴を無傷に保つために、トランスフォーメーションネットワークを指導する訓練中に追加的特徴抽出ネットワークが組み込まれること。
私たち
i) 腎癌120例のH&Eスライスに対して, 提案法の有効性を示した。
(ii) フレキシブル照明に基づく自然画像強調や光源適応など、より一般的な問題に対するアプローチの利点を示す。
関連論文リスト
- Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。
固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。
また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
論文 参考訳(メタデータ) (2024-08-30T04:51:19Z) - 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) - Mew: Multiplexed Immunofluorescence Image Analysis through an Efficient Multiplex Network [84.88767228835928]
マルチプレックスネットワークのレンズを通してmIF画像を効率的に処理する新しいフレームワークであるMewを紹介する。
Mew は、幾何学情報のための Voronoi ネットワークと、セルワイドの均一性を捉えるセル型ネットワークという、2つの異なる層からなる多重ネットワークを革新的に構築する。
このフレームワークは、トレーニング中にグラフ全体を処理できるスケーラブルで効率的なグラフニューラルネットワーク(GNN)を備えている。
論文 参考訳(メタデータ) (2024-07-25T08:22:30Z) - 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) - Multi-domain stain normalization for digital pathology: A
cycle-consistent adversarial network for whole slide images [0.0]
本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。
CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
論文 参考訳(メタデータ) (2023-01-23T13:34:49Z) - Segmentation-guided Domain Adaptation and Data Harmonization of
Multi-device Retinal Optical Coherence Tomography using Cycle-Consistent
Generative Adversarial Networks [2.968191199408213]
本稿では,複数のデバイスからの画像を単一画像領域に適応させるセグメント化誘導型領域適応手法を提案する。
来るべき新しいデータセットに対する手動ラベリングの時間消費と、既存のネットワークの再トレーニングを回避する。
論文 参考訳(メタデータ) (2022-08-31T05:06:00Z) - 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) - Towards Histopathological Stain Invariance by Unsupervised Domain
Augmentation using Generative Adversarial Networks [0.7340845393655052]
対比画像から画像への変換に基づく教師なし増分手法を提案する。
ネットワークを一般的な染色モダリティでトレーニングし、それに対応するが異なる染色組織構造を含む画像に適用することにより、提案手法は大幅に改善されたことを示す。
論文 参考訳(メタデータ) (2020-12-22T23:32:17Z) - Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and
Convolutional Neural Networks [68.96150598294072]
未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。
網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。
近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。
本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。
提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
論文 参考訳(メタデータ) (2020-04-03T14:07:41Z) - ElixirNet: Relation-aware Network Architecture Adaptation for Medical
Lesion Detection [90.13718478362337]
本稿では,1)TruncatedRPNが正負値と負値のバランスをとること,2)Auto-lesion Blockが自動的に医療画像にカスタマイズされ,地域提案間の関係認識操作が組み込まれること,3)Relation Transferモジュールが意味的関係を組み込むこと,の3つのコンポーネントを含む新しいElixirNetを紹介した。
DeepLesionとKits19の実験では、ElixirNetの有効性が証明され、パラメータが少なくてFPNよりも感度と精度が向上した。
論文 参考訳(メタデータ) (2020-03-03T05:29:49Z) - Unsupervised Bidirectional Cross-Modality Adaptation via Deeply
Synergistic Image and Feature Alignment for Medical Image Segmentation [73.84166499988443]
我々は、Synergistic Image and Feature Alignment (SIFA)と名付けられた新しい教師なしドメイン適応フレームワークを提案する。
提案するSIFAは、画像と特徴の両方の観点から、ドメインの相乗的アライメントを行う。
2つの異なるタスクに対する実験結果から,SIFA法は未ラベル対象画像のセグメンテーション性能を向上させるのに有効であることが示された。
論文 参考訳(メタデータ) (2020-02-06T13:49:47Z)
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。