論文の概要: Adaptive Supervised PatchNCE Loss for Learning H&E-to-IHC Stain Translation with Inconsistent Groundtruth Image Pairs

• arxiv url: http://arxiv.org/abs/2303.06193v1
• Date: Fri, 10 Mar 2023 19:56:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-14 20:33:12.648266
• Title: Adaptive Supervised PatchNCE Loss for Learning H&E-to-IHC Stain Translation with Inconsistent Groundtruth Image Pairs
• Title（参考訳）: 不整合基底画像ペアを用いたH&E-IHCスタン翻訳学習のための適応的PatchNCE損失
• Authors: Fangda Li, Zhiqiang Hu, Wen Chen and Avinash Kak
• Abstract要約: 本稿では,新たな損失関数であるAdaptive Supervised PatchNCE(ASP)を提案する。 提案手法は, 既存の画像から画像への変換手法より, 複数のICH染色への染色の変換に優れることを示した。
• 参考スコア（独自算出の注目度）: 5.841841666625825
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Immunohistochemical (IHC) staining highlights the molecular information critical to diagnostics in tissue samples. However, compared to H&E staining, IHC staining can be much more expensive in terms of both labor and the laboratory equipment required. This motivates recent research that demonstrates that the correlations between the morphological information present in the H&E-stained slides and the molecular information in the IHC-stained slides can be used for H&E-to-IHC stain translation. However, due to a lack of pixel-perfect H&E-IHC groundtruth pairs, most existing methods have resorted to relying on expert annotations. To remedy this situation, we present a new loss function, Adaptive Supervised PatchNCE (ASP), to directly deal with the input to target inconsistencies in a proposed H&E-to-IHC image-to-image translation framework. The ASP loss is built upon a patch-based contrastive learning criterion, named Supervised PatchNCE (SP), and augments it further with weight scheduling to mitigate the negative impact of noisy supervision. Lastly, we introduce the Multi-IHC Stain Translation (MIST) dataset, which contains aligned H&E-IHC patches for 4 different IHC stains critical to breast cancer diagnosis. In our experiment, we demonstrate that our proposed method outperforms existing image-to-image translation methods for stain translation to multiple IHC stains. All of our code and datasets are available at https://github.com/lifangda01/AdaptiveSupervisedPatchNCE.
• Abstract（参考訳）: 免疫組織化学(IHC)染色は、組織サンプルの診断に不可欠な分子情報を強調する。 しかし、H&E染色と比較して、IHC染色は労働力と実験機器の両方においてはるかに高価である。 このことは、H&Eスライディングスライドに存在する形態情報とIHCスライディングスライドに含まれる分子情報との相関が、H&E-to-IHCスライディング翻訳に利用できることを示す最近の研究を動機付けている。 しかし、ピクセル完全H&E-IHC基底構造対が不足しているため、既存の手法の多くは専門家のアノテーションに頼っている。 この状況を改善するために,提案するH&E-to-IHC画像-画像変換フレームワークにおいて,ターゲット不整合に対する入力を直接処理する新たな損失関数であるAdaptive Supervised PatchNCE(ASP)を提案する。 ASPの損失は、Supervised PatchNCE(SP)と名付けられたパッチベースのコントラスト学習基準に基づいて構築され、重み付けスケジューリングにより、ノイズの多い監視の影響を緩和する。 最後に,乳がん診断に欠かせない4種類のIHC染色のH&E-IHCパッチを含むMulti-IHC Stain Translation (MIST)データセットを紹介する。 本実験では,提案手法が既存の画像から画像への変換手法よりも優れていることを実証する。 コードとデータセットはすべてhttps://github.com/lifangda01/AdaptiveSupervisedPatchNCEで公開されています。

関連論文リスト

• DeReStainer: H&E to IHC Pathological Image Translation via Decoupled Staining Channels [10.321593505248341]
  本稿では,H&E染色をIHC染色に変換するための持続的フレームワークを提案する。 IHC画像を生成するためにヘマトキシリンおよびジアミノベンジジン(DAB)チャネルに特異的な損失関数を設計する。
  論文  参考訳（メタデータ） (2024-09-01T07:56:33Z)
• Advancing H&E-to-IHC Stain Translation in Breast Cancer: A Multi-Magnification and Attention-Based Approach [13.88935300094334]
  本稿では,アテンション機構と多機能情報処理を統合した新しいモデルを提案する。 本モデルでは,病理画像内の様々な倍率から情報を抽出し,活用するために,多機能化処理戦略を採用している。 公開されている乳癌データセットの厳密なテストは、既存の方法よりも優れたパフォーマンスを示している。
  論文  参考訳（メタデータ） (2024-08-04T04:55:10Z)
• VIMs: Virtual Immunohistochemistry Multiplex staining via Text-to-Stain Diffusion Trained on Uniplex Stains [0.9920087186610302]
  IHC染色は、複雑な診断問題を解決し、患者の治療決定を導くために、病理学の実践において不可欠である。 小さな生検では、しばしば複数の染色のための十分な組織が欠如し、その後の分子試験のための材料が保存される。 VIMsはこのニーズに対処する最初のモデルであり、仮想IHC多重化のために大きな視覚言語による単一ステップ拡散モデルを活用する。
  論文  参考訳（メタデータ） (2024-07-26T22:23:45Z)
• Mix-Domain Contrastive Learning for Unpaired H&E-to-IHC Stain Translation [14.719264181466766]
  本研究では,非ペアH&E-to-IHCのステンレス翻訳における教師情報を活用するために,Mix-Domain Contrastive Learning法を提案する。 ミックスドメインの病理情報アグリゲーションにより、MDCLは、対応するパッチと、生成されたIHC画像の異なる位置からのパッチの成分差との病理的整合性を高める。
  論文  参考訳（メタデータ） (2024-06-17T17:47:44Z)
• IHC Matters: Incorporating IHC analysis to H&E Whole Slide Image Analysis for Improved Cancer Grading via Two-stage Multimodal Bilinear Pooling Fusion [19.813558168408047]
  IHCとH&Eは相補的な性質を保ちながら、明確な長所と短所があることが示される。 機能プーリングモジュールを用いた2段階のマルチモーダルバイリニアモデルを開発した。 実験により、H&E染色画像とともに、機械学習モデルにIHCデータを組み込むことで、がんのグレーディングに優れた予測結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-05-13T21:21:44Z)
• Improving Vision Anomaly Detection with the Guidance of Language Modality [64.53005837237754]
  本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。 本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。 視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
  論文  参考訳（メタデータ） (2023-10-04T13:44:56Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• 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)
• Dual-Consistency Semi-Supervised Learning with Uncertainty Quantification for COVID-19 Lesion Segmentation from CT Images [49.1861463923357]
  CT画像を用いた半監視型COVID-19病変分割のための不確実性誘導型二重一貫性学習ネットワーク(UDC-Net)を提案する。 提案した UDC-Net は,Dice の完全教師方式を 6.3% 向上させ,他の競合的半監督方式を有意なマージンで上回っている。
  論文  参考訳（メタデータ） (2021-04-07T16:23:35Z)
• Alleviating the Incompatibility between Cross Entropy Loss and Episode Training for Few-shot Skin Disease Classification [76.89093364969253]
  そこで本研究では,皮膚疾患の診断にFew-Shot Learningを応用し,トレーニングサンプル問題の極端な不足に対処することを提案する。 本稿では, エピソード学習において, クロスエントロピー(CE)よりも優れたクエリ-相対的損失(QR)を提案する。 さらに,新しい適応型ハードマージン戦略により,提案したQR損失をさらに強化する。
  論文  参考訳（メタデータ） (2020-04-21T00:57:11Z)

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。