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
- Novel computational workflows for natural and biomedical image processing based on hypercomplex algebras [49.81327385913137]
ハイパーコンプレックス画像処理は、代数的および幾何学的原理を含む統一パラダイムで従来の手法を拡張している。
このワークル平均は、自然・生体画像解析のための四元数と2次元平面(四元数 - ピクセルを表す - を2次元平面に分割する)を分割する。
提案手法は、画像の自動処理パイプラインの一部として、カラー外観(例えば、代替リフレクションやグレースケール変換)と画像コントラストを規制することができる。
論文 参考訳（メタデータ） (2025-02-11T18:38:02Z) - CSG: A Context-Semantic Guided Diffusion Approach in De Novo Musculoskeletal Ultrasound Image Generation [1.727597257312416]
CSG(Context-Semantic Guidance)という,スケーラブルなセマンティック・コンテキスト条件生成モデルを提案する。
筋骨格(MSK)超音波画像におけるCSGによる所見(病理異常)の生成能力を示す。
その結果,CSGが生成した合成画像はセマンティックセグメンテーションモデルの性能を向上し,実画像との類似性を高めた。
論文 参考訳（メタデータ） (2024-12-08T06:48:09Z) - PriorPath: Coarse-To-Fine Approach for Controlled De-Novo Pathology Semantic Masks Generation [0.0]
粗い粒度の画像から得られた詳細でリアルなセマンティックマスクを生成するパイプラインであるPresidePathを提案する。
このアプローチにより、生成されたマスクの空間配置を制御でき、結果として合成画像が生成される。
論文 参考訳（メタデータ） (2024-11-25T15:57:19Z) - MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。
既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。
そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
論文 参考訳（メタデータ） (2024-09-15T13:08:59Z) - Mask-guided cross-image attention for zero-shot in-silico histopathologic image generation with a diffusion model [0.10910416614141322]
拡散モデルは、シリコン内画像を生成する最先端のソリューションである。
自然画像の出現伝達拡散モデルが設計されている。
計算病理学、特に腫瘍学では、画像内のどのオブジェクトを前景と背景に分類すべきかを簡単に定義することはできない。
我々は,クラス固有のAdaIN特徴量マッチングを交互に行うために,外観伝達指導を変更することで,拡散安定画像への外観伝達モデルの適用性に寄与する。
論文 参考訳（メタデータ） (2024-07-16T12:36:26Z) - Tissue-Contrastive Semi-Masked Autoencoders for Segmentation Pretraining on Chest CT [10.40407976789742]
胸部CT画像のモデリングのための組織コントラストセミマスクオートエンコーダ(TCS-MAE)と呼ばれるMIM法を提案する。
本手法は, 組織型マスキング再構成法により, より微細な解剖学的特徴を捉えるとともに, マスク画像とオリジナル画像との対比学習を施した二重AEアーキテクチャを設計した。
論文 参考訳（メタデータ） (2024-07-12T03:24:17Z) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
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) - 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) - 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) - 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。