論文の概要: SynCLay: Interactive Synthesis of Histology Images from Bespoke Cellular
Layouts
- arxiv url: http://arxiv.org/abs/2212.13780v1
- Date: Wed, 28 Dec 2022 11:07:00 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-29 15:11:21.270083
- Title: SynCLay: Interactive Synthesis of Histology Images from Bespoke Cellular
Layouts
- Title（参考訳）: SynCLay:Bespokeセルレイアウトからの組織像のインタラクティブな合成
- Authors: Srijay Deshpande, Muhammad Dawood, Fayyaz Minhas, Nasir Rajpoot
- Abstract要約: 我々は,現実的で高品質な組織像を構築できるSynCLayという新しいフレームワークを提案する。
我々は、SynCLayを対角的に訓練し、核分割と分類モデルを統合する。
本研究では,本フレームワークによって生成された合成データを用いて,限られた実データを増やすことで,細胞組成予測タスクの予測性能を大幅に向上させることができることを示す。
- 参考スコア（独自算出の注目度）: 0.5249805590164901
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Automated synthesis of histology images has several potential applications in
computational pathology. However, no existing method can generate realistic
tissue images with a bespoke cellular layout or user-defined histology
parameters. In this work, we propose a novel framework called SynCLay
(Synthesis from Cellular Layouts) that can construct realistic and high-quality
histology images from user-defined cellular layouts along with annotated
cellular boundaries. Tissue image generation based on bespoke cellular layouts
through the proposed framework allows users to generate different histological
patterns from arbitrary topological arrangement of different types of cells.
SynCLay generated synthetic images can be helpful in studying the role of
different types of cells present in the tumor microenvironmet. Additionally,
they can assist in balancing the distribution of cellular counts in tissue
images for designing accurate cellular composition predictors by minimizing the
effects of data imbalance. We train SynCLay in an adversarial manner and
integrate a nuclear segmentation and classification model in its training to
refine nuclear structures and generate nuclear masks in conjunction with
synthetic images. During inference, we combine the model with another
parametric model for generating colon images and associated cellular counts as
annotations given the grade of differentiation and cell densities of different
cells. We assess the generated images quantitatively and report on feedback
from trained pathologists who assigned realism scores to a set of images
generated by the framework. The average realism score across all pathologists
for synthetic images was as high as that for the real images. We also show that
augmenting limited real data with the synthetic data generated by our framework
can significantly boost prediction performance of the cellular composition
prediction task.
- Abstract（参考訳）: 組織像の自動合成は、計算病理学にいくつかの潜在的応用がある。
しかし, 既存の方法では, 細胞レイアウトやユーザ定義の組織学パラメータを用いて, 現実的な組織像を生成できない。
本研究では,ユーザが定義したセルレイアウトとアノテートされたセル境界から,現実的で高品質な組織像を構築できるSynCLay(Synthesis from Cellular Layouts)という新しいフレームワークを提案する。
組織像の生成は, 様々なタイプの細胞の任意のトポロジ的配置から, 異なる組織パターンを生成することができる。
synclayが生成する合成画像は、腫瘍微小環境に存在する様々な種類の細胞の役割を研究するのに有用である。
さらに、データ不均衡の影響を最小限に抑えて正確な細胞組成予測器を設計するために、組織画像中の細胞数分布のバランスをとるのを助けることができる。
我々は,synclayを敵対的な方法で訓練し,核分節と分類モデルを統合し,核構造を洗練し,合成画像と共に核マスクを生成する。
推測中、このモデルと別のパラメトリックモデルを組み合わせて、異なる細胞の分化度と細胞密度を与えられたアノテーションとして、大腸画像および関連する細胞数を生成する。
そこで本研究では,本フレームワークで生成した画像にリアリズムスコアを割り当てた臨床病理医のフィードバックを定量的に評価する。
合成画像のすべての病理学者の平均的リアリズムスコアは、実際の画像のそれと同程度であった。
また,本フレームワークが生成する合成データによる実データ拡張により,セル構成予測タスクの予測性能が大幅に向上することを示す。
関連論文リスト
- Co-synthesis of Histopathology Nuclei Image-Label Pairs using a Context-Conditioned Joint Diffusion Model [3.677055050765245]
病理組織学的核画像とペアセマンティックラベルを共合成する新しいフレームワークを提案する。
我々は,多施設,多施設,多モダリティデータセット上で,高品質なサンプルを作成するためのフレームワークの有効性を実証する。
論文 参考訳（メタデータ） (2024-07-19T16:06:11Z) - Revisiting Adaptive Cellular Recognition Under Domain Shifts: A Contextual Correspondence View [49.03501451546763]
生物学的文脈における暗黙の対応の重要性を明らかにする。
モデル構成成分間のインスタンス認識トレードオフを確保するために, 自己適応型動的蒸留を提案する。
論文 参考訳（メタデータ） (2024-07-14T04:41:16Z) - Is Synthetic Image Useful for Transfer Learning? An Investigation into Data Generation, Volume, and Utilization [62.157627519792946]
ブリッジドトランスファー(ブリッジドトランスファー)と呼ばれる新しいフレームワークを導入する。このフレームワークは、当初、トレーニング済みモデルの微調整に合成画像を使用し、転送性を向上させる。
合成画像と実画像のスタイルアライメントを改善するために,データセットスタイルの逆変換方式を提案する。
提案手法は10の異なるデータセットと5つの異なるモデルで評価され、一貫した改善が示されている。
論文 参考訳（メタデータ） (2024-03-28T22:25:05Z) - Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。
本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。
心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
論文 参考訳（メタデータ） (2024-01-04T08:46:39Z) - Denoising Diffusion Probabilistic Models for Image Inpainting of Cell
Distributions in the Human Brain [0.0]
そこで本研究では,細胞-体間染色部の光顕微鏡スキャンにより学習した拡散確率モデル(DDPM)を提案する。
訓練したDDPMは,この目的のために非常にリアルな画像情報を生成でき,可塑性細胞統計と細胞構造パターンを生成できることを示す。
論文 参考訳（メタデータ） (2023-11-28T14:34:04Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - DEPAS: De-novo Pathology Semantic Masks using a Generative Model [0.0]
DEPASと呼ばれるスケーラブルな生成モデルを導入し、組織構造をキャプチャし、最先端の品質の高精細なセマンティックマスクを生成する。
我々は,DEPASが皮膚,前立腺,肺の3種類の臓器に対して,組織の現実的な意味マップを生成する能力を示した。
論文 参考訳（メタデータ） (2023-02-13T16:48:33Z) - SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ
Histopathology Image Synthesis [63.845552349914186]
本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。
4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
論文 参考訳（メタデータ） (2022-09-02T16:45:46Z) - Selective Synthetic Augmentation with HistoGAN for Improved
Histopathology Image Classification [11.087537668968888]
我々は,クラスラベルに条件付けされたリアルな病理像パッチを合成するための条件付きGANモデル,すなわちHistoGANを提案する。
また,提案したHistoGANによって生成された新しい合成画像パッチを選択的に追加する新しい合成拡張フレームワークについても検討した。
リンパ節病理組織像と転移性癌のリンパ節病理組織像の2つのデータセットについて検討した。
論文 参考訳（メタデータ） (2021-11-10T23:25:39Z) - 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) - Synplex: A synthetic simulator of highly multiplexed histological images [2.816013261482056]
本稿では,免疫染色組織画像の多重化が可能なシミュレーションシステムであるsynplexを提案する。
Synplex は 3 つのシーケンシャルモジュールで構成され、それぞれが別々のタスクを担当します。
マルチプレックス画像解析アルゴリズムのトレーニングおよび/または検証に有用なツールになると考えています。
論文 参考訳（メタデータ） (2021-03-08T09:12:02Z)
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。