論文の概要: Enhanced Sharp-GAN For Histopathology Image Synthesis
- arxiv url: http://arxiv.org/abs/2301.10187v1
- Date: Tue, 24 Jan 2023 17:54:01 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-25 12:49:30.302739
- Title: Enhanced Sharp-GAN For Histopathology Image Synthesis
- Title(参考訳): 造影シャープガンを用いた病理組織像合成
- Authors: Sujata Butte, Haotian Wang, Aleksandar Vakanski, Min Xian
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 63.845552349914186
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Histopathology image synthesis aims to address the data shortage issue in
training deep learning approaches for accurate cancer detection. However,
existing methods struggle to produce realistic images that have accurate nuclei
boundaries and less artifacts, which limits the application in downstream
tasks. To address the challenges, we propose a novel approach that enhances the
quality of synthetic images by using nuclei topology and contour
regularization. The proposed approach uses the skeleton map of nuclei to
integrate nuclei topology and separate touching nuclei. In the loss function,
we propose two new contour regularization terms that enhance the contrast
between contour and non-contour pixels and increase the similarity between
contour pixels. We evaluate the proposed approach on the two datasets using
image quality metrics and a downstream task (nuclei segmentation). The proposed
approach outperforms Sharp-GAN in all four image quality metrics on two
datasets. By integrating 6k synthetic images from the proposed approach into
training, a nuclei segmentation model achieves the state-of-the-art
segmentation performance on TNBC dataset and its detection quality (DQ),
segmentation quality (SQ), panoptic quality (PQ), and aggregated Jaccard index
(AJI) is 0.855, 0.863, 0.691, and 0.683, respectively.
- Abstract(参考訳): 病理組織学画像合成は、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トレーニングにおいて、データ不足の問題に対処することを目的としている。
しかし、既存の手法では正確な核境界を持ち、アーティファクトが少ない現実的なイメージを作成するのに苦労しています。
そこで本研究では,核トポロジーと輪郭規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。
提案手法は核の骨格地図を用いて核トポロジーを統合し、接触核を分離する。
損失関数では、輪郭画素と非輪郭画素のコントラストを高め、輪郭画素間の類似度を高める2つの新しい輪郭正規化項を提案する。
画像品質指標と下流タスク(核セグメンテーション)を用いた2つのデータセットに対する提案手法の評価を行った。
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。
提案手法の合成画像からトレーニングへの統合により,TNBCデータセットの最先端セグメンテーション性能と検出品質(DQ),セグメンテーション品質(SQ),汎光学品質(PQ),集約ジャカード指数(AJI)はそれぞれ0.855,0.863,0.691,0.683となる。
関連論文リスト
- InsMix: Towards Realistic Generative Data Augmentation for Nuclei
Instance Segmentation [29.78647170035808]
本稿では,コピック・ペースト・スムース原理に従って,核セグメンテーションのための現実的なデータ拡張手法InsMixを提案する。
具体的には、拡張画像が原子核に関する豪華な情報を取得することができる形態的制約を提案する。
背景の画素冗長性をフル活用するために,背景パッチをランダムにシャッフルする背景摂動法を提案する。
論文 参考訳(メタデータ) (2022-06-30T08:58:05Z) - Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。
医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。
BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
論文 参考訳(メタデータ) (2022-03-29T08:41:17Z) - Adaptation to CT Reconstruction Kernels by Enforcing Cross-domain
Feature Maps Consistency [0.06117371161379209]
本研究は,スムーズで訓練し,鋭い再構築カーネル上で試験したモデルにおいて,新型コロナウイルスのセグメンテーション品質の低下を示すものである。
本稿では,F-Consistency(F-Consistency)と呼ばれる,教師なし適応手法を提案する。
論文 参考訳(メタデータ) (2022-03-28T10:00:03Z) - Self-Attention Generative Adversarial Network for Iterative
Reconstruction of CT Images [0.9208007322096533]
本研究の目的は、ノイズや不完全なデータから高品質なCT画像を再構成するために、単一のニューラルネットワークを訓練することである。
ネットワークには、データ内の長距離依存関係をモデル化するセルフアテンションブロックが含まれている。
我々のアプローチはCIRCLE GANに匹敵する全体的なパフォーマンスを示し、他の2つのアプローチよりも優れています。
論文 参考訳(メタデータ) (2021-12-23T19:20:38Z) - High Quality Segmentation for Ultra High-resolution Images [72.97958314291648]
超高分解能セグメンテーション精錬作業のための連続精細モデルを提案する。
提案手法は画像分割精細化において高速かつ効果的である。
論文 参考訳(メタデータ) (2021-11-29T11:53:06Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳(メタデータ) (2021-10-27T18:54:25Z) - Bend-Net: Bending Loss Regularized Multitask Learning Network for Nuclei
Segmentation in Histopathology Images [65.47507533905188]
重なり合う核を正確に分離するために、曲げ損失正規化器を備えた新しいマルチタスク学習ネットワークを提案する。
新たに提案されたマルチタスク学習アーキテクチャは、3つのタスクから共有表現を学習することで一般化を促進する。
提案した曲げ損失は,輪郭点を大きな曲率で囲むために高いペナルティを定義し,小さな曲率で凸輪郭点に小さなペナルティを適用した。
論文 参考訳(メタデータ) (2021-09-30T17:29:44Z) - Bone Segmentation in Contrast Enhanced Whole-Body Computed Tomography [2.752817022620644]
本稿では,低線量造影による全身CTスキャンから骨骨髄領域を分離する新しい前処理技術を用いたU-netアーキテクチャについて概説する。
骨とコントラスト染料の差別化には, 適切な前処理が重要であること, 限られたデータで優れた結果が得られることを実証した。
論文 参考訳(メタデータ) (2020-08-12T10:48:38Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。