論文の概要: ParamNet: A Parameter-variable Network for Fast Stain Normalization
- arxiv url: http://arxiv.org/abs/2305.06511v1
- Date: Thu, 11 May 2023 01:24:32 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 16:27:26.198738
- Title: ParamNet: A Parameter-variable Network for Fast Stain Normalization
- Title（参考訳）: ParamNet:高速ステン正規化のためのパラメータ可変ネットワーク
- Authors: Hongtao Kang, Die Luo, Li Chen, Junbo Hu, Shenghua Cheng, Tingwei
Quan, Shaoqun Zeng and Xiuli Liu
- Abstract要約: 静止正規化は、デジタル病理画像の色と明るさの差を効果的に低減することができる。
パラメータ可変な染色正規化ネットワークであるParamNetを提案する。
私たちのネットワークは計算効率が非常に高く、アーティファクトを導入していません。
- 参考スコア（独自算出の注目度）: 6.91044493278227
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In practice, digital pathology images are often affected by various factors,
resulting in very large differences in color and brightness. Stain
normalization can effectively reduce the differences in color and brightness of
digital pathology images, thus improving the performance of computer-aided
diagnostic systems. Conventional stain normalization methods rely on one or
several reference images, but one or several images are difficult to represent
the entire dataset. Although learning-based stain normalization methods are a
general approach, they use complex deep networks, which not only greatly reduce
computational efficiency, but also risk introducing artifacts. StainNet is a
fast and robust stain normalization network, but it has not a sufficient
capability for complex stain normalization due to its too simple network
structure. In this study, we proposed a parameter-variable stain normalization
network, ParamNet. ParamNet contains a parameter prediction sub-network and a
color mapping sub-network, where the parameter prediction sub-network can
automatically determine the appropriate parameters for the color mapping
sub-network according to each input image. The feature of parameter variable
ensures that our network has a sufficient capability for various stain
normalization tasks. The color mapping sub-network is a fully 1x1 convolutional
network with a total of 59 variable parameters, which allows our network to be
extremely computationally efficient and does not introduce artifacts. The
results on cytopathology and histopathology datasets show that our ParamNet
outperforms state-of-the-art methods and can effectively improve the
generalization of classifiers on pathology diagnosis tasks. The code has been
available at https://github.com/khtao/ParamNet.
- Abstract（参考訳）: 実際には、デジタル病理画像は様々な要因に影響され、色と明るさに大きな違いをもたらすことが多い。
Stain normalizationは、デジタル病理画像の色と明るさの違いを効果的に低減し、コンピュータ支援診断システムの性能を向上させる。
従来の染色正規化法は1つまたは複数の参照画像に依存するが、データセット全体を表現することは困難である。
学習に基づく染色正規化手法は一般的な手法であるが、複雑なディープネットワークを用いるため、計算効率を大幅に低下させるだけでなく、アーティファクトを導入するリスクも大きい。
StainNetは高速で堅牢な染色正規化ネットワークであるが,ネットワーク構造が複雑すぎるため,複雑な染色正規化を行うには不十分である。
本研究ではパラメータ可変染色正規化ネットワークparamnetを提案する。
ParamNetにはパラメータ予測サブネットワークとカラーマッピングサブネットワークが含まれており、パラメータ予測サブネットワークは各入力画像に応じて色マッピングサブネットワークの適切なパラメータを自動的に決定することができる。
パラメータ変数の特徴は、ネットワークが様々な染色正規化タスクに十分な能力を持つことを保証する。
カラーマッピングサブネットワークは,59個の変数を持つ完全な1x1畳み込みネットワークである。
病理組織学および病理組織学データセットの結果から,我々のparamnetは最先端の手法よりも優れており,病理診断タスクにおける分類器の一般化を効果的に改善できることが示された。
コードはhttps://github.com/khtao/ParamNetで公開されている。
関連論文リスト
- Efficient Multi-scale Network with Learnable Discrete Wavelet Transform for Blind Motion Deblurring [25.36888929483233]
そこで本研究では,シングルインプットとマルチアウトプット(SIMO)に基づくマルチスケールネットワークを提案する。
実世界の軌道特性を学習可能なウェーブレット変換モジュールと組み合わせて、ぼやけた画像から鋭い画像へのステップバイステップ遷移の方向連続性と周波数特性に着目した。
論文 参考訳（メタデータ） (2023-12-29T02:59:40Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳（メタデータ） (2023-12-12T06:07:21Z) - Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。
本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。
本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
論文 参考訳（メタデータ） (2023-03-16T21:06:13Z) - Globally Optimal Training of Neural Networks with Threshold Activation
Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。
ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文 参考訳（メタデータ） (2023-03-06T18:59:13Z) - Unsupervised Learning of the Total Variation Flow [11.056286994184875]
総変動(TV)フローは、テレビ機能に基づいた画像のスケール空間表現を生成する。
TVflowNETは、初期画像とタイムインスタンスが与えられたTVフローの解を近似するための教師なしニューラルネットワークアプローチである。
また,TVflowNETは,画像サイズや画像の種類に応じて,高い忠実度でTVフロー解を近似することを示した。
論文 参考訳（メタデータ） (2022-06-09T10:39:44Z) - Efficient and Degradation-Adaptive Network for Real-World Image
Super-Resolution [28.00231586840797]
実世界の画像超解像(Real-ISR)は、実世界の画像の未知の複雑な劣化のために難しい課題である。
近年のReal-ISRの研究は、画像劣化空間をモデル化することによって大きな進歩を遂げている。
本稿では,各入力画像の劣化を推定してパラメータを適応的に指定する,効率的な劣化適応型超解像ネットワークを提案する。
論文 参考訳（メタデータ） (2022-03-27T05:59:13Z) - DS-Net++: Dynamic Weight Slicing for Efficient Inference in CNNs and
Transformers [105.74546828182834]
本稿では,様々な難易度を持つ入力に対して,ネットワークパラメータの一部を適応的にスライスする動的ウェイトスライシングという,ハードウェア効率のよい動的推論方式を示す。
我々は、CNNのフィルタ数とCNNと変換器の多重次元を入力依存的に調整することで、動的スライム可能なネットワーク(DS-Net)と動的スライス可能なネットワーク(DS-Net++)を提案する。
論文 参考訳（メタデータ） (2021-09-21T09:57:21Z) - Dynamic Proximal Unrolling Network for Compressive Sensing Imaging [29.00266254916676]
本稿では,DPUNetと呼ばれる動的近位アンローリングネットワークについて述べる。
具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像による画像のインポーティングの両方を活用できる。
実験結果から,提案したDPUNetは,サンプル比や雑音レベルの異なる複数のCSIモダリティを1つのモデルで効果的に処理できることがわかった。
論文 参考訳（メタデータ） (2021-07-23T03:04:44Z) - Manifold Regularized Dynamic Network Pruning [102.24146031250034]
本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。
提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
論文 参考訳（メタデータ） (2021-03-10T03:59:03Z) - Learning to Learn Parameterized Classification Networks for Scalable
Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。
我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。
さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文 参考訳（メタデータ） (2020-07-13T04:27:25Z) - Exemplar Normalization for Learning Deep Representation [34.42934843556172]
本研究は、初等正規化(EN)を提案することによって、新しい動的学習-正規化(L2N)問題について検討する。
ENは、異なる畳み込み層とディープネットワークの画像サンプルの異なる正規化方法を学ぶことができる。
論文 参考訳（メタデータ） (2020-03-19T13:23:40Z)
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。