論文の概要: Ultra-high-resolution unpaired stain transformation via Kernelized Instance Normalization

• arxiv url: http://arxiv.org/abs/2208.10730v1
• Date: Tue, 23 Aug 2022 04:47:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-24 13:42:08.898414
• Title: Ultra-high-resolution unpaired stain transformation via Kernelized Instance Normalization
• Title（参考訳）: カーネル化インスタンス正規化による超高分解能不対流変態
• Authors: Ming-Yang Ho, Min-Sheng Wu, and Che-Ming Wu
• Abstract要約: カーネル化インスタンス正規化(KIN)による超高分解能画像-画像間翻訳の戦略を提案する。 KINはローカル情報を保存し、一定のGPUメモリ使用量でシームレスな染色変換を実現する。 これは、空間の複雑さが一定である超高解像度画像対画像変換のための最初の成功例である。
• 参考スコア（独自算出の注目度）: 1.2234742322758418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While hematoxylin and eosin (H&E) is a standard staining procedure, immunohistochemistry (IHC) staining further serves as a diagnostic and prognostic method. However, acquiring special staining results requires substantial costs. Hence, we proposed a strategy for ultra-high-resolution unpaired image-to-image translation: Kernelized Instance Normalization (KIN), which preserves local information and successfully achieves seamless stain transformation with constant GPU memory usage. Given a patch, corresponding position, and a kernel, KIN computes local statistics using convolution operation. In addition, KIN can be easily plugged into most currently developed frameworks without re-training. We demonstrate that KIN achieves state-of-the-art stain transformation by replacing instance normalization (IN) layers with KIN layers in three popular frameworks and testing on two histopathological datasets. Furthermore, we manifest the generalizability of KIN with high-resolution natural images. Finally, human evaluation and several objective metrics are used to compare the performance of different approaches. Overall, this is the first successful study for the ultra-high-resolution unpaired image-to-image translation with constant space complexity. Code is available at: https://github.com/Kaminyou/URUST
• Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)は標準的な染色法であるが、免疫組織化学(IHC)染色はさらに診断および予後の方法として役立つ。 しかし、特別な染色結果を得るにはかなりのコストがかかる。 そこで我々は,局所情報を保存し,一定のGPUメモリ使用量でシームレスなステンジ変換を実現する,超高解像度画像対画像変換(KIN)の戦略を提案した。 パッチ、対応する位置、カーネルが与えられた場合、KINは畳み込み演算を用いて局所統計を計算する。 さらに、KINは再トレーニングすることなく、ほとんどの現在開発中のフレームワークに簡単にプラグインできる。 我々は、KINが3つの一般的なフレームワークでインスタンス正規化(IN)層をKIN層に置換し、2つの病理組織学的データセットでテストすることで、最先端の染色変換を実現することを示した。 さらに,高解像度自然画像を用いたKINの一般化可能性を示す。 最後に、人的評価といくつかの客観的指標を使用して、異なるアプローチのパフォーマンスを比較します。 全体として、これは空間の複雑さが一定である超高分解能画像から画像への変換が成功した最初の研究である。 コードは、https://github.com/Kaminyou/URUSTで入手できる。

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)
• Image-level Regression for Uncertainty-aware Retinal Image Segmentation [3.7141182051230914]
  我々は,新たな不確実性認識変換(SAUNA)を導入する。 以上の結果から,SAUNA変換の統合とセグメント化損失は,異なるセグメンテーションモデルにおいて大きな性能向上をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2024-05-27T04:17:10Z)
• 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)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• 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)
• 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)
• StainNet: a fast and robust stain normalization network [0.7796684624647288]
  本稿では、StainNetという1.28Kパラメータのみを持つ高速かつ堅牢な染色正規化ネットワークを提案する。 提案手法は染色正常化が良好であり,精度と画質が向上した。
  論文  参考訳（メタデータ） (2020-12-23T08:16:27Z)
• Deep Variational Network Toward Blind Image Restoration [60.45350399661175]
  ブラインド画像復元はコンピュータビジョンでは一般的だが難しい問題である。 両利点を両立させることを目的として,新しいブラインド画像復元手法を提案する。 画像デノイングと超解像という2つの典型的なブラインド赤外線タスクの実験により,提案手法が現状よりも優れた性能を達成できることが実証された。
  論文  参考訳（メタデータ） (2020-08-25T03:30:53Z)

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。