論文の概要: Between Generating Noise and Generating Images: Noise in the Correct Frequency Improves the Quality of Synthetic Histopathology Images for Digital Pathology

• arxiv url: http://arxiv.org/abs/2302.06549v1
• Date: Mon, 13 Feb 2023 17:49:24 GMT
• ステータス: 処理完了
• システム内更新日: 2023-02-14 14:35:15.040779
• Title: Between Generating Noise and Generating Images: Noise in the Correct Frequency Improves the Quality of Synthetic Histopathology Images for Digital Pathology
• Title（参考訳）: ノイズ生成と画像生成--デジタル病理診断のための合成組織病理画像の品質向上-
• Authors: Nati Daniel, Eliel Aknin, Ariel Larey, Yoni Peretz, Guy Sela, Yael Fisher, Yonatan Savir
• Abstract要約: 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。
• 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: Artificial intelligence and machine learning techniques have the promise to revolutionize the field of digital pathology. However, these models demand considerable amounts of data, while the availability of unbiased training data is limited. Synthetic images can augment existing datasets, to improve and validate AI algorithms. Yet, controlling the exact distribution of cellular features within them is still challenging. One of the solutions is harnessing conditional generative adversarial networks that take a semantic mask as an input rather than a random noise. Unlike other domains, outlining the exact cellular structure of tissues is hard, and most of the input masks depict regions of cell types. However, using polygon-based masks introduce inherent artifacts within the synthetic images - due to the mismatch between the polygon size and the single-cell size. In this work, we show that introducing random single-pixel noise with the appropriate spatial frequency into a polygon semantic mask can dramatically improve the quality of the synthetic images. We used our platform to generate synthetic images of immunohistochemistry-treated lung biopsies. We test the quality of the images using a three-fold validation procedure. First, we show that adding the appropriate noise frequency yields 87% of the similarity metrics improvement that is obtained by adding the actual single-cell features. Second, we show that the synthetic images pass the Turing test. Finally, we show that adding these synthetic images to the train set improves AI performance in terms of PD-L1 semantic segmentation performances. Our work suggests a simple and powerful approach for generating synthetic data on demand to unbias limited datasets to improve the algorithms' accuracy and validate their robustness.
• Abstract（参考訳）: 人工知能と機械学習技術は、デジタル病理学の分野に革命をもたらすだろう。 しかし、これらのモデルはかなりの量のデータを要求するが、偏りのないトレーニングデータの可用性は限られている。 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、検証することができる。 しかし、細胞の特徴の正確な分布を制御することは依然として難しい。 解決策の1つは、ランダムノイズではなく、セマンティックマスクを入力として扱う条件付き生成敵ネットワークを利用することである。 他の領域とは異なり、組織の正確な細胞構造を概説することは難しく、入力マスクの多くは細胞タイプの領域を描写している。 しかし、ポリゴンマスクを使用すると、ポリゴンサイズと単細胞サイズとのミスマッチのため、合成画像に固有のアーティファクトが導入される。 本研究では,適切な空間周波数のランダムな単一画素ノイズをポリゴン意味マスクに導入することで,合成画像の品質が劇的に向上することを示す。 免疫組織化学処理肺生検の合成画像の作成に当院のプラットフォームを用いた。 画像の品質を3倍の検証手法を用いて検証する。 まず、適切な雑音周波数を付加することで、実際の単一セル機能の追加により得られる類似度指標の改善の87%が得られることを示す。 次に,合成画像がチューリング試験に合格することを示す。 最後に、これらの合成画像を列車に付加することで、PD-L1セマンティックセグメンテーション性能の点からAIの性能が向上することを示す。 私たちの研究は、アルゴリズムの正確性を改善し、ロバスト性を検証するために、限られたデータセットを偏ることなく、オンデマンドで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提案しています。

関連論文リスト

• Time Step Generating: A Universal Synthesized Deepfake Image Detector [0.4488895231267077]
  汎用合成画像検出器 Time Step Generating (TSG) を提案する。 TSGは、事前訓練されたモデルの再構築能力、特定のデータセット、サンプリングアルゴリズムに依存していない。 我々は,提案したTSGを大規模GenImageベンチマークで検証し,精度と一般化性の両方において大幅な改善を実現した。
  論文  参考訳（メタデータ） (2024-11-17T09:39:50Z)
• A Sanity Check for AI-generated Image Detection [49.08585395873425]
  本稿では,AIによる画像検出の課題が解決されたかどうかの検査を行う。 既存の手法の一般化を定量化するために,Chameleonデータセット上で,既製のAI生成画像検出器を9つ評価した。 複数の専門家が同時に視覚的アーチファクトやノイズパターンを抽出するAI生成画像検出装置(AID)を提案する。
  論文  参考訳（メタデータ） (2024-06-27T17:59:49Z)
• Paired Diffusion: Generation of related, synthetic PET-CT-Segmentation scans using Linked Denoising Diffusion Probabilistic Models [0.0]
  本研究では,複数のPET-CT-腫瘍マスクペアをペアネットワークと条件エンコーダを用いて生成できる新しいアーキテクチャを提案する。 我々のアプローチには、DDPMサンプリング一貫性を改善するための革新的で時間的なステップ制御機構とノイズ探索戦略が含まれる。
  論文  参考訳（メタデータ） (2024-03-26T14:21:49Z)
• Mask-conditioned latent diffusion for generating gastrointestinal polyp images [2.027538200191349]
  本研究では,与えられたセグメンテーションマスクに条件付き合成GIポリプ画像を生成する条件付きDPMフレームワークを提案する。 本システムでは,ポリプの接地真実マスクを用いて,無限個の高忠実度合成ポリプ画像を生成することができる。 以上の結果から,実データと合成データの両方からなるトレーニングデータから,DeepLabv3+から0.7751の最適マイクロイモージョンIOUが得られた。
  論文  参考訳（メタデータ） (2023-04-11T14:11:17Z)
• 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)
• 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)
• A Shared Representation for Photorealistic Driving Simulators [83.5985178314263]
  本稿では、識別器アーキテクチャを再考することにより、生成画像の品質を向上させることを提案する。 シーンセグメンテーションマップや人体ポーズといったセマンティックインプットによって画像が生成されるという問題に焦点が当てられている。 我々は,意味的セグメンテーション,コンテンツ再構成,および粗い粒度の逆解析を行うのに十分な情報をエンコードする,共有潜在表現を学習することを目指している。
  論文  参考訳（メタデータ） (2021-12-09T18:59:21Z)
• 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)
• 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)
• You Only Need Adversarial Supervision for Semantic Image Synthesis [84.83711654797342]
  我々は,高品質な結果を得るためには敵対的監督のみを必要とする,新しい簡易ganモデルを提案する。 本モデルによって合成された画像はより多様であり,実画像の色やテクスチャに密接に従っている。
  論文  参考訳（メタデータ） (2020-12-08T23:00:48Z)
• Image Translation for Medical Image Generation -- Ischemic Stroke Lesions [0.0]
  注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。 画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。 臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-10-05T09:12:28Z)

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。