論文の概要: Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation

• arxiv url: http://arxiv.org/abs/2303.02057v1
• Date: Fri, 3 Mar 2023 16:26:38 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-06 14:10:58.705467
• Title: Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation
• Title（参考訳）: 知識蒸留による微小細胞像の教師なし深部デジタル染色
• Authors: Ziwang Xu, Lanqing Guo, Shuyan Zhang, Alex C. Kot and Bihan Wen
• Abstract要約: 大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。 本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。 提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
• 参考スコア（独自算出の注目度）: 46.006296303296544
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Staining is critical to cell imaging and medical diagnosis, which is expensive, time-consuming, labor-intensive, and causes irreversible changes to cell tissues. Recent advances in deep learning enabled digital staining via supervised model training. However, it is difficult to obtain large-scale stained/unstained cell image pairs in practice, which need to be perfectly aligned with the supervision. In this work, we propose a novel unsupervised deep learning framework for the digital staining of cell images using knowledge distillation and generative adversarial networks (GANs). A teacher model is first trained mainly for the colorization of bright-field images. After that,a student GAN for staining is obtained by knowledge distillation with hybrid non-reference losses. We show that the proposed unsupervised deep staining method can generate stained images with more accurate positions and shapes of the cell targets. Compared with other unsupervised deep generative models for staining, our method achieves much more promising results both qualitatively and quantitatively.
• Abstract（参考訳）: 染色は、高価で時間を要する、労働集約的で、細胞組織に不可逆的な変化をもたらす細胞イメージングや医学的診断に重要である。 近年のディープラーニングの進歩により、教師付きモデルトレーニングによるデジタル染色が可能になった。 しかし,大規模なステンレス・アンスタンスセルイメージペアを実際に入手することは困難であり,監督に完全に整合する必要がある。 本研究では,知識蒸留とgans(generative adversarial network)を用いた,細胞画像のデジタル染色のための教師なしディープラーニングフレームワークを提案する。 教師モデルは、主に明るい視野画像のカラー化のために訓練される。 その後、ハイブリッド非参照損失を有する知識蒸留により染色用学生GANを得る。 提案手法は,より正確な位置と細胞標的の形状を持つステンド画像を生成することができることを示す。 染色における他の教師なし深層生成モデルと比較して, 定性的かつ定量的に, より有望な結果が得られる。

関連論文リスト

• Single color digital H&E staining with In-and-Out Net [0.8271394038014485]
  本稿では,仮想染色タスクに特化して設計された新しいネットワークIn-and-Out Netを提案する。 我々はGAN(Generative Adversarial Networks)に基づいて,反射共焦点顕微鏡(RCM)画像からヘマトキシリンおよびエオシン染色画像へ効率的に変換する。
  論文  参考訳（メタデータ） (2024-05-22T01:17:27Z)
• StainDiffuser: MultiTask Dual Diffusion Model for Virtual Staining [1.9029890402585894]
  ヘマトキシリンとエオシン(H&E)染色は、疾患の診断や腫瘍再発追跡に最もよく用いられる。 ディープラーニングモデルは、画像から画像への変換(I2I)を重要な研究領域とし、高価な物理的染色プロセスの必要性を減らす。 StainDiffuserは、仮想染色のための新しい二重拡散アーキテクチャであり、限られたトレーニング予算の下で収束する。
  論文  参考訳（メタデータ） (2024-03-17T20:47:52Z)
• Digital staining in optical microscopy using deep learning -- a review [47.86254766044832]
  デジタル染色は、光学的コントラストから実際の染色の確立された生化学的コントラストへの翻訳に近代的な深層学習を利用するための有望な概念として登場した。 この分野の現状を詳細に分析し、優れた実践方法を提案し、落とし穴と課題を特定し、将来の実装やアプリケーションに向けた将来的な進歩を仮定する。
  論文  参考訳（メタデータ） (2023-03-14T15:23:48Z)
• Self-supervised pseudo-colorizing of masked cells [18.843372840624077]
  生体顕微鏡画像における細胞解析のための新たな自己超越的目標を提案する。 マスク細胞を擬似色化する深層学習モデルを提案する。 擬似色化によるセマンティックセグメンテーションの近似は,細胞検出の微調整に有用であることがわかった。
  論文  参考訳（メタデータ） (2023-02-12T18:16:51Z)
• 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)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• RestainNet: a self-supervised digital re-stainer for stain normalization [8.740191087897987]
  染色正規化をデジタル再封止プロセスとして定式化し,RestainNetと呼ばれる自己教師型学習モデルを提案した。 我々のネットワークは、不安定な(グレースケール)イメージを再構成する方法を学ぶデジタル・リステナーと見なされている。
  論文  参考訳（メタデータ） (2022-02-28T14:05:42Z)
• Weakly Supervised Learning for cell recognition in immunohistochemical cytoplasm staining images [6.7466668253416024]
  マルチタスク学習に基づく新しい細胞認識フレームワークを提案する。 我々は,細胞質染色画像の枠組みを評価し,本手法が最近の細胞認識手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-27T14:33:36Z)
• Categorical Relation-Preserving Contrastive Knowledge Distillation for Medical Image Classification [75.27973258196934]
  そこで本研究では,一般的な平均教師モデルであるCRCKD(Categorical Relation-Reserving Contrastive Knowledge Distillation)アルゴリズムを提案する。 この正規化により、学生モデルの特徴分布はクラス内類似度が高く、クラス間分散を示す。 CCDとCRPの貢献により、我々のCRCKDアルゴリズムはより包括的に関係知識を蒸留することができる。
  論文  参考訳（メタデータ） (2021-07-07T13:56:38Z)
• Deep Low-Shot Learning for Biological Image Classification and Visualization from Limited Training Samples [52.549928980694695]
  In situ hybridization (ISH) gene expression pattern image from the same developmental stage。 正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。 限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-10-20T06:06:06Z)

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。