論文の概要: DEPAS: De-novo Pathology Semantic Masks using a Generative Model
- arxiv url: http://arxiv.org/abs/2302.06513v1
- Date: Mon, 13 Feb 2023 16:48:33 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-14 14:55:23.281391
- Title: DEPAS: De-novo Pathology Semantic Masks using a Generative Model
- Title(参考訳): DEPAS:生成モデルを用いたデノボ病的セマンティックマスク
- Authors: Ariel Larey, Nati Daniel, Eliel Aknin, Yael Fisher, Yonatan Savir
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The integration of artificial intelligence into digital pathology has the
potential to automate and improve various tasks, such as image analysis and
diagnostic decision-making. Yet, the inherent variability of tissues, together
with the need for image labeling, lead to biased datasets that limit the
generalizability of algorithms trained on them. One of the emerging solutions
for this challenge is synthetic histological images. However, debiasing real
datasets require not only generating photorealistic images but also the ability
to control the features within them. A common approach is to use generative
methods that perform image translation between semantic masks that reflect
prior knowledge of the tissue and a histological image. However, unlike other
image domains, the complex structure of the tissue prevents a simple creation
of histology semantic masks that are required as input to the image translation
model, while semantic masks extracted from real images reduce the process's
scalability. In this work, we introduce a scalable generative model, coined as
DEPAS, that captures tissue structure and generates high-resolution semantic
masks with state-of-the-art quality. We demonstrate the ability of DEPAS to
generate realistic semantic maps of tissue for three types of organs: skin,
prostate, and lung. Moreover, we show that these masks can be processed using a
generative image translation model to produce photorealistic histology images
of two types of cancer with two different types of staining techniques.
Finally, we harness DEPAS to generate multi-label semantic masks that capture
different cell types distributions and use them to produce histological images
with on-demand cellular features. Overall, our work provides a state-of-the-art
solution for the challenging task of generating synthetic histological images
while controlling their semantic information in a scalable way.
- Abstract(参考訳): 人工知能のデジタル病理への統合は、画像解析や診断決定などの様々なタスクを自動化し改善する可能性がある。
しかし、組織固有の多様性は、イメージラベリングの必要性とともに、トレーニングされたアルゴリズムの一般化性を制限するバイアス付きデータセットにつながります。
この課題の新たな解決策の1つは、合成組織像である。
しかし、実際のデータセットのデバイアスは、フォトリアリスティックな画像を生成するだけでなく、その中の特徴を制御する能力も必要である。
一般的なアプローチは、組織と組織像の事前の知識を反映したセマンティックマスク間の画像翻訳を行う生成方法を使用することである。
しかし、他の画像領域とは異なり、組織の複雑な構造は、画像翻訳モデルへの入力として必要とされる組織学的意味マスクの単純な作成を妨げ、実際の画像から抽出された意味的マスクはプロセスのスケーラビリティを低下させる。
本研究では,組織構造をキャプチャし,最先端品質の高分解能セマンティックマスクを生成するDEPASと呼ばれるスケーラブルな生成モデルを提案する。
皮膚,前立腺,肺の3種類の臓器に対して,dpaが現実的な組織意味地図を生成する能力を示す。
さらに,これらのマスクを生成的画像翻訳モデルを用いて処理し,2種類の染色技術を用いて2種類のがんのフォトリアリスティックな組織像を生成できることを示した。
最後に、DEPASを用いて、異なる細胞タイプの分布をキャプチャし、オンデマンドのセル特徴を持つ組織像を作成するマルチラベルセマンティックマスクを生成する。
全体として,本研究は,その意味情報をスケーラブルに制御しながら合成組織画像を生成するという課題に対して,最先端のソリューションを提供する。
関連論文リスト
- Coarse-to-Fine Latent Diffusion for Pose-Guided Person Image Synthesis [70.58988592832684]
PGPIS(Pose-Guided Person Image Synthesis)のためのCFLD(Coarse-to-Fine Latent Diffusion)法を提案する。
認識修正デコーダは、学習可能なクエリの集合を段階的に洗練し、粗いプロンプトとして人物画像の意味的理解を抽出するように設計されている。
論文 参考訳(メタデータ) (2024-02-28T06:07:07Z) - Learned representation-guided diffusion models for large-image
generation [60.698616089211505]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳(メタデータ) (2023-12-12T14:45:45Z) - Retinal OCT Synthesis with Denoising Diffusion Probabilistic Models for
Layer Segmentation [2.4113205575263708]
本稿では,拡散確率モデル(DDPM)を用いて網膜光コヒーレンス断層撮影(OCT)画像を自動的に生成する画像合成手法を提案する。
階層分割の精度を一貫して改善し,様々なニューラルネットワークを用いて検証する。
これらの結果から,網膜CT画像の手動アノテーションの必要性が軽減される可能性が示唆された。
論文 参考訳(メタデータ) (2023-11-09T16:09:24Z) - Generative Adversarial Networks for Brain Images Synthesis: A Review [2.609784101826762]
医用画像において、画像合成とは、ある画像(シーケンス、モダリティ)を別の画像(シーケンス、モダリティ)から推定する過程である。
GAN(Generative Adversarial Network)は、GAN(Generative-based Deep Learning)の一種。
我々は,CTからPETへの画像合成,CTからMRIへの画像合成,PETへの画像合成,およびその逆を含む最近のGANの展開を要約した。
論文 参考訳(メタデータ) (2023-05-16T17:28:06Z) - 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) - Between Generating Noise and Generating Images: Noise in the Correct
Frequency Improves the Quality of Synthetic Histopathology Images for Digital
Pathology [0.0]
合成画像は、既存のデータセットを拡張し、AIアルゴリズムを改善し、検証する。
意味マスクに適切な空間周波数でランダムな単一画素ノイズを導入することで,合成画像の品質が劇的に向上することを示す。
我々の研究は、制限のないデータセットに対する需要に基づいて合成データを生成するためのシンプルで強力なアプローチを示唆している。
論文 参考訳(メタデータ) (2023-02-13T17:49:24Z) - Semantic Image Synthesis via Diffusion Models [159.4285444680301]
Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。
セマンティック画像合成に関する最近の研究は、主に「GAN(Generative Adversarial Nets)」に追従している。
論文 参考訳(メタデータ) (2022-06-30T18:31:51Z) - Deepfake histological images for enhancing digital pathology [0.40631409309544836]
我々は,クラスラベルに制約された病理像を合成する生成逆ネットワークモデルを開発した。
前立腺および大腸組織像の合成におけるこの枠組みの有用性について検討した。
大腸生検によるより複雑な画像へのアプローチを拡張し,そのような組織における複雑な微小環境も再現可能であることを示す。
論文 参考訳(メタデータ) (2022-06-16T17:11:08Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳(メタデータ) (2022-03-01T16:14:41Z) - 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) - Data-driven generation of plausible tissue geometries for realistic
photoacoustic image synthesis [53.65837038435433]
光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。
我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。
我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
論文 参考訳(メタデータ) (2021-03-29T11:30:18Z)
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。