Fugu-MT 論文翻訳(概要): NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models

論文の概要: NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models

arxiv url: http://arxiv.org/abs/2303.11477v1
Date: Mon, 20 Mar 2023 22:16:03 GMT
ステータス: 処理完了
システム内更新日: 2023-03-22 17:16:54.836004
Title: NASDM: Nuclei-Aware Semantic Histopathology Image Generation Using Diffusion Models
Title（参考訳）: 拡散モデルを用いたNuclei-Aware Semantic Histopathology Image Generation
Authors: Aman Shrivastava, P. Thomas Fletcher
Abstract要約: 第一種核認識意味組織生成フレームワーク(NASDM) NASDMは、最大6種類の核型のセマンティック・インスタンス・マスクを与えられた現実的な組織サンプルを合成することができる。これらの合成画像は、病理学、モデルの検証、既存の核セグメンテーションデータセットの補充に有用である。
参考スコア（独自算出の注目度）: 3.2996723916635267
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In recent years, computational pathology has seen tremendous progress driven by deep learning methods in segmentation and classification tasks aiding prognostic and diagnostic settings. Nuclei segmentation, for instance, is an important task for diagnosing different cancers. However, training deep learning models for nuclei segmentation requires large amounts of annotated data, which is expensive to collect and label. This necessitates explorations into generative modeling of histopathological images. In this work, we use recent advances in conditional diffusion modeling to formulate a first-of-its-kind nuclei-aware semantic tissue generation framework (NASDM) which can synthesize realistic tissue samples given a semantic instance mask of up to six different nuclei types, enabling pixel-perfect nuclei localization in generated samples. These synthetic images are useful in applications in pathology pedagogy, validation of models, and supplementation of existing nuclei segmentation datasets. We demonstrate that NASDM is able to synthesize high-quality histopathology images of the colon with superior quality and semantic controllability over existing generative methods.
Abstract（参考訳）: 近年の計算病理学は、予測と診断の設定を支援するセグメンテーションと分類タスクの深層学習法によって大きな進歩を遂げている。例えば核分裂は、異なるがんを診断する上で重要なタスクである。しかし、核分割のためのディープラーニングモデルの訓練には大量の注釈付きデータが必要であるため、収集やラベル付けに費用がかかる。これは組織病理像の生成的モデリングへの探索を必要とする。本研究では,条件拡散モデリングの最近の進歩を活かし,最大6種類の異なる核種を持つ意味インスタンスマスクを与えられた実組織のサンプルを合成し,生成した試料におけるピクセル完全核局在を可能にする,its-aware semantic tissue generation framework(nasdm)を定式化した。これらの合成画像は、病理教育、モデルの検証、既存の核セグメンテーションデータセットの補完に有用である。以上より,nasdmは高品質の大腸組織病理画像の合成が可能であり,従来の生成法よりも優れた品質と意味的制御能を有することを証明した。

関連論文リスト

Comparative Analysis of Diffusion Generative Models in Computational Pathology [11.698817924231854]
拡散生成モデル(DGM)はコンピュータビジョンの分野における新たなトピックとして急速に浮上している。本稿では,病的データセットに適用された拡散法について,詳細な比較分析を行った。我々の分析は、様々な視野(FOV)を持つデータセットにまで拡張し、DGMが高品質な合成データを生成するのに非常に有効であることを明らかにした。
論文参考訳（メタデータ） (2024-11-24T05:09:43Z)
HistoSPACE: Histology-Inspired Spatial Transcriptome Prediction And Characterization Engine [0.0]
HistoSPACEモデルは、STデータで利用可能な組織像の多様性を調べ、組織像から分子的洞察を抽出する。モデルは、現代のアルゴリズムと比較して大きな効率性を示し、残余のクロスバリデーションにおいて0.56の相関関係を示す。
論文参考訳（メタデータ） (2024-08-07T07:12:52Z)
Co-synthesis of Histopathology Nuclei Image-Label Pairs using a Context-Conditioned Joint Diffusion Model [3.677055050765245]
病理組織学的核画像とペアセマンティックラベルを共合成する新しいフレームワークを提案する。我々は,多施設,多施設,多モダリティデータセット上で,高品質なサンプルを作成するためのフレームワークの有効性を実証する。
論文参考訳（メタデータ） (2024-07-19T16:06:11Z)
Controllable and Efficient Multi-Class Pathology Nuclei Data Augmentation using Text-Conditioned Diffusion Models [4.1326413814647545]
テキスト条件拡散モデルを用いたマルチクラス核データ拡張のための新しい2段階フレームワークを提案する。第一段階では,マルチクラスセマンティックラベルを生成することにより,核ラベルの合成を革新する。第2段階では、セマンティックおよびテキスト条件の潜在拡散モデルを用いて、高品質な病理像を効率よく生成する。
論文参考訳（メタデータ） (2024-07-19T15:53:44Z)
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)
Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
核セグメンテーションのための拡散法を初めて導入する。このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
論文参考訳（メタデータ） (2023-10-22T06:16:16Z)
PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。提案手法は画像とテキストデータを融合して生成プロセスを強化する。我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
論文参考訳（メタデータ） (2023-09-01T22:08:32Z)
Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
論文参考訳（メタデータ） (2023-02-22T14:52:06Z)
A Morphology Focused Diffusion Probabilistic Model for Synthesis of Histopathology Images [0.5541644538483947]
深層学習法は組織像の解析と分類に大きな進歩をもたらした。これらの合成画像は、教育、熟練度テスト、プライバシ、データ共有など、病理学にいくつかの応用がある。
論文参考訳（メタデータ） (2022-09-27T05:58:35Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文参考訳（メタデータ） (2021-01-27T19:28:04Z)

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。