論文の概要: Multi-domain stain normalization for digital pathology: A
cycle-consistent adversarial network for whole slide images
- arxiv url: http://arxiv.org/abs/2301.09431v1
- Date: Mon, 23 Jan 2023 13:34:49 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 13:35:34.432945
- Title: Multi-domain stain normalization for digital pathology: A
cycle-consistent adversarial network for whole slide images
- Title（参考訳）: デジタル病理のためのマルチドメイン染色正規化:スライド画像全体に対するサイクル整合対向ネットワーク
- Authors: Martin J. Hetz, Tabea-Clara Bucher, Titus J. Brinker
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The variation in histologic staining between different medical centers is one
of the most profound challenges in the field of computer-aided diagnosis. The
appearance disparity of pathological whole slide images causes algorithms to
become less reliable, which in turn impedes the wide-spread applicability of
downstream tasks like cancer diagnosis. Furthermore, different stainings lead
to biases in the training which in case of domain shifts negatively affect the
test performance. Therefore, in this paper we propose MultiStain-CycleGAN, a
multi-domain approach to stain normalization based on CycleGAN. Our
modifications to CycleGAN allow us to normalize images of different origins
without retraining or using different models. We perform an extensive
evaluation of our method using various metrics and compare it to commonly used
methods that are multi-domain capable. First, we evaluate how well our method
fools a domain classifier that tries to assign a medical center to an image.
Then, we test our normalization on the tumor classification performance of a
downstream classifier. Furthermore, we evaluate the image quality of the
normalized images using the Structural similarity index and the ability to
reduce the domain shift using the Fr\'echet inception distance. We show that
our method proves to be multi-domain capable, provides the highest image
quality among the compared methods, and can most reliably fool the domain
classifier while keeping the tumor classifier performance high. By reducing the
domain influence, biases in the data can be removed on the one hand and the
origin of the whole slide image can be disguised on the other, thus enhancing
patient data privacy.
- Abstract（参考訳）: 異なる医療センター間の組織学的染色の変化は、コンピュータ支援診断分野における最も重大な課題の1つである。
病理画像全体の外観の相違は、アルゴリズムの信頼性を低下させ、がん診断のような下流のタスクの幅広い適用性を阻害する。
さらに、異なる染色は、ドメインシフトがテストパフォーマンスに悪影響を及ぼすようなトレーニングにおいてバイアスをもたらす。
そこで本稿では,サイクガンに基づく染色正規化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。
本手法は,様々なメトリクスを用いて広範囲な評価を行い,マルチドメイン対応の一般的な手法と比較する。
まず,画像に医療センターを割り当てようとするドメイン分類器を,我々の手法がいかにうまく騙すかを評価する。
次に,下流分類器の腫瘍分類性能について正常化試験を行った。
さらに,構造的類似度指標を用いた正規化画像の画質評価とfr\'echetインセプション距離を用いた領域シフトの低減効果について検討した。
以上の結果から,本手法はマルチドメイン能力を示し,比較手法の中で最も高い画質を提供し,腫瘍分類器の性能を維持しつつ,最も確実にドメイン分類器を騙すことができることを示す。
ドメインの影響を小さくすることで、データのバイアスを片手に取り除き、スライド画像全体の起源を他方に偽装することができ、患者のデータのプライバシーを高めることができる。
関連論文リスト
- 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) - Cross-modulated Few-shot Image Generation for Colorectal Tissue
Classification [58.147396879490124]
XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。
我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
論文 参考訳（メタデータ） (2023-04-04T17:50:30Z) - 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) - 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) - MultiPathGAN: Structure Preserving Stain Normalization using
Unsupervised Multi-domain Adversarial Network with Perception Loss [10.043946236248392]
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。
論文 参考訳（メタデータ） (2022-04-20T20:48:17Z) - Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。
各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。
本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
論文 参考訳（メタデータ） (2022-04-05T11:45:46Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Flow-based Deformation Guidance for Unpaired Multi-Contrast MRI
Image-to-Image Translation [7.8333615755210175]
本稿では,非可逆的アーキテクチャに基づく画像と画像の非対角変換に対する新しいアプローチを提案する。
我々は、連続スライス間の時間的情報を利用して、不適切な医療画像において、あるドメインを別のドメインに変換する最適化により多くの制約を与える。
論文 参考訳（メタデータ） (2020-12-03T09:10:22Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。