論文の概要: Test-time image-to-image translation ensembling improves out-of-distribution generalization in histopathology

• arxiv url: http://arxiv.org/abs/2206.09769v1
• Date: Mon, 20 Jun 2022 13:31:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 16:59:22.186393
• Title: Test-time image-to-image translation ensembling improves out-of-distribution generalization in histopathology
• Title（参考訳）: Test-time Image-to-image Translation ensemblingは病理組織における分布外一般化を改善する
• Authors: Marin Scalbert and Maria Vakalopoulou and Florent Couzini\'e-Devy
• Abstract要約: 病理組織像全体 (WSIs) は, 照明, 色, 光学的アーティファクトなどのホスピタル間変動が顕著である。 マルチドメイン画像から画像への変換に基づく新しいテスト時間データ拡張を提案する。
• 参考スコア（独自算出の注目度）: 1.4042211166197214
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Histopathology whole slide images (WSIs) can reveal significant inter-hospital variability such as illumination, color or optical artifacts. These variations, caused by the use of different scanning protocols across medical centers (staining, scanner), can strongly harm algorithms generalization on unseen protocols. This motivates development of new methods to limit such drop of performances. In this paper, to enhance robustness on unseen target protocols, we propose a new test-time data augmentation based on multi domain image-to-image translation. It allows to project images from unseen protocol into each source domain before classifying them and ensembling the predictions. This test-time augmentation method results in a significant boost of performances for domain generalization. To demonstrate its effectiveness, our method has been evaluated on 2 different histopathology tasks where it outperforms conventional domain generalization, standard H&E specific color augmentation/normalization and standard test-time augmentation techniques. Our code is publicly available at https://gitlab.com/vitadx/articles/test-time-i2i-translation-ensembling.
• Abstract（参考訳）: 病理組織像全体 (WSIs) は, 照明, 色, 光学的アーティファクトなどのホスピタル間変動が顕著である。 これらのバリエーションは、医療センター間で異なるスキャンプロトコル(ステニング、スキャナ)を使用することによって引き起こされ、見えないプロトコルのアルゴリズムの一般化に強い害を与える可能性がある。 これは、パフォーマンスの低下を制限する新しい方法の開発を動機付ける。 本稿では,未認識のターゲットプロトコルのロバスト性を高めるため,マルチドメイン画像から画像への変換に基づく新しいテスト時間データ拡張を提案する。 unseenプロトコルから各ソースドメインにイメージを投影し、それらを分類し、予測をセンスすることができる。 このテスト時間拡張法により、領域一般化の性能が大幅に向上する。 本手法の有効性を実証するため,従来の領域の一般化,標準H&E比色増色/正規化,標準試験時間増色技術に優れる2種類の病理組織学的課題について評価を行った。 私たちのコードはhttps://gitlab.com/vitadx/articles/test-time-i2i-translation-ensemblingで公開しています。

関連論文リスト

• Every Pixel Has its Moments: Ultra-High-Resolution Unpaired Image-to-Image Translation via Dense Normalization [4.349838917565205]
  画素レベルの統計モーメントを推定するために設計されたDense Normalization層を導入する。 このアプローチは、局所色と色調のコントラストを同時に保存しながら、ティリングアーティファクトを効果的に減少させる。 我々の研究は、未ペア画像から画像への翻訳の範囲内で任意の解像度の画像を扱うための将来の探索の道を開く。
  論文  参考訳（メタデータ） (2024-07-05T04:14:50Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• 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)
• 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)
• AdaWCT: Adaptive Whitening and Coloring Style Injection [55.554986498301574]
  本稿では,AdaWCTを用いた白黒色変換(WCT)を応用したAdaINの一般化について述べる。 本稿では、StarGANv2アーキテクチャの実験を通して、この一般化が概念的には単純ではあるが、生成した画像の品質を大幅に向上させることを示す。
  論文  参考訳（メタデータ） (2022-08-01T15:07:51Z)
• Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
  本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。 分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。 実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
  論文  参考訳（メタデータ） (2022-06-27T09:02:16Z)
• Toward Clinically Assisted Colorectal Polyp Recognition via Structured Cross-modal Representation Consistency [16.225144477302923]
  殆どのコンピュータ支援診断アルゴリズムは Narrow-Band Imaging (NBI) を用いて大腸ポリープを認識する NBIは通常、この特定の画像の取得には手動でライトモードを切り替える必要があるため、実際の臨床シナリオで利用できないことに悩まされる。 そこで本研究では,構造的クロスモーダル表現の整合性を実現することによって,白-光画像の正確な分類を実現する新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-06-23T16:51:28Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• Semantic Segmentation with Generative Models: Semi-Supervised Learning and Strong Out-of-Domain Generalization [112.68171734288237]
  本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。 我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。 ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
  論文  参考訳（メタデータ） (2021-04-12T21:41:25Z)

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。