論文の概要: Conditioned Generative Transformers for Histopathology Image Synthetic
Augmentation
- arxiv url: http://arxiv.org/abs/2212.09977v1
- Date: Tue, 20 Dec 2022 03:40:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-21 16:58:59.526994
- Title: Conditioned Generative Transformers for Histopathology Image Synthetic
Augmentation
- Title(参考訳): 画像合成強化のための条件付き生成変換器
- Authors: Meng Li, Chaoyi Li, Can Peng, Brian Lovell
- Abstract要約: 視覚変換器 (ViT) を用いたGAN (Generative Adversarial Network) は, 一般画像合成において優れた可能性を示した。
病理組織像の合成増強のために, 純粋な ViT ベースの条件付き GAN モデルを提案する。
- 参考スコア(独自算出の注目度): 3.1616973611119494
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning networks have demonstrated state-of-the-art performance on
medical image analysis tasks. However, the majority of the works rely heavily
on abundantly labeled data, which necessitates extensive involvement of domain
experts. Vision transformer (ViT) based generative adversarial networks (GANs)
recently demonstrated superior potential in general image synthesis, yet are
less explored for histopathology images. In this paper, we address these
challenges by proposing a pure ViT-based conditional GAN model for
histopathology image synthetic augmentation. To alleviate training instability
and improve generation robustness, we first introduce a conditioned class
projection method to facilitate class separation. We then implement a
multi-loss weighing function to dynamically balance the losses between
classification tasks. We further propose a selective augmentation mechanism to
actively choose the appropriate generated images and bring additional
performance improvements. Extensive experiments on the histopathology datasets
show that leveraging our synthetic augmentation framework results in
significant and consistent improvements in classification performance.
- Abstract(参考訳): 深層学習ネットワークは、医療画像解析タスクにおける最先端のパフォーマンスを実証している。
しかし、作品の大部分は豊富なラベル付きデータに大きく依存しており、ドメインの専門家の広範な関与を必要としている。
視覚変換器 (ViT) を用いたGAN (Generative Adversarial Network) は, 画像合成において優れた可能性を示したが, 病理像では研究されていない。
本稿では、これらの課題に対して、組織像合成増強のための純粋なViTベースの条件付きGANモデルを提案する。
学習不安定を緩和し,生成ロバスト性を向上させるために,まず条件付きクラス投影法を導入し,クラス分離を容易にする。
次に,分類タスク間の損失を動的にバランスさせるマルチロス重み関数を実装した。
さらに,適切な生成画像を積極的に選択し,さらなる性能向上を実現するための選択的拡張機構を提案する。
病理組織学データセットに関する広範な実験により, 合成補足フレームワークの活用により, 分類性能が著しく, 一貫した改善が得られた。
関連論文リスト
- Adaptive Input-image Normalization for Solving the Mode Collapse Problem
in GAN-based X-ray Images [0.08192907805418582]
この研究は、適応入力-画像正規化をDeep Conversaal GANとAuxiliary GANと統合してモード崩壊問題を緩和する利点の実証的な実証に寄与する。
その結果, 適応入出力正規化によるDCGANとACGANは, 非正規化X線画像でDCGANとACGANより優れていた。
論文 参考訳(メタデータ) (2023-09-21T16:43:29Z) - ViT-DAE: Transformer-driven Diffusion Autoencoder for Histopathology
Image Analysis [4.724009208755395]
高品質な病理画像合成のための視覚変換器(ViT)と拡散オートエンコーダを統合したViT-DAEを提案する。
提案手法は, 実写画像生成におけるGAN法とバニラDAE法より優れている。
論文 参考訳(メタデータ) (2023-04-03T15:00:06Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳(メタデータ) (2023-03-17T18:00:27Z) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳(メタデータ) (2023-02-23T06:16:15Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - A Self-attention Guided Multi-scale Gradient GAN for Diversified X-ray
Image Synthesis [0.6308539010172307]
GAN(Generative Adversarial Networks)を用いて,合成画像の生成によるデータ制限問題に対処する。
モード崩壊、非収束、不安定といったトレーニング課題は、多彩で高品質な画像の合成において、GANのパフォーマンスを低下させる。
本研究では,バイオメディカル画像の特徴の長距離依存性の関係をモデル化する,注意誘導型マルチスケール勾配GANアーキテクチャを提案する。
論文 参考訳(メタデータ) (2022-10-09T13:17:17Z) - OADAT: Experimental and Synthetic Clinical Optoacoustic Data for
Standardized Image Processing [62.993663757843464]
オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。
OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。
臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
論文 参考訳(メタデータ) (2022-06-17T08:11:26Z) - Class-Aware Generative Adversarial Transformers for Medical Image
Segmentation [39.14169989603906]
医用画像セグメンテーションのための新規な生成逆変換器CA-GANformerを提案する。
まず、ピラミッド構造を利用してマルチスケール表現を構築し、マルチスケールのバリエーションを扱う。
次に、意味構造を持つオブジェクトの識別領域をよりよく学習するために、新しいクラス対応トランスフォーマーモジュールを設計する。
論文 参考訳(メタデータ) (2022-01-26T03:50:02Z) - You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。
本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
論文 参考訳(メタデータ) (2020-12-08T23:00:48Z) - Image Augmentations for GAN Training [57.65145659417266]
我々は,バニラGANとGANの両方のイメージを正規化して拡張する方法に関する洞察とガイドラインを提供する。
意外なことに、Vanilla GANsは、最近の最先端の結果と同等の世代品質を実現している。
論文 参考訳(メタデータ) (2020-06-04T00:16:02Z)
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。