論文の概要: A Deep Learning-based Compression and Classification Technique for Whole Slide Histopathology Images

• arxiv url: http://arxiv.org/abs/2305.07161v1
• Date: Thu, 11 May 2023 22:20:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-15 14:25:35.580540
• Title: A Deep Learning-based Compression and Classification Technique for Whole Slide Histopathology Images
• Title（参考訳）: 深層学習に基づく全スライド病理組織像の圧縮・分類手法
• Authors: Agnes Barsi, Suvendu Chandan Nayak, Sasmita Parida, Raj Mani Shukla
• Abstract要約: 我々は、ニューラルネットワークのアンサンブルを構築し、圧縮オートエンコーダを教師付き方式で、入力されたヒストロジー画像のより密度が高くより意味のある表現を維持することができる。 転送学習に基づく分類器を用いて圧縮画像を検証し、有望な精度と分類性能を示すことを示す。
• 参考スコア（独自算出の注目度）: 0.31498833540989407
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This paper presents an autoencoder-based neural network architecture to compress histopathological images while retaining the denser and more meaningful representation of the original images. Current research into improving compression algorithms is focused on methods allowing lower compression rates for Regions of Interest (ROI-based approaches). Neural networks are great at extracting meaningful semantic representations from images, therefore are able to select the regions to be considered of interest for the compression process. In this work, we focus on the compression of whole slide histopathology images. The objective is to build an ensemble of neural networks that enables a compressive autoencoder in a supervised fashion to retain a denser and more meaningful representation of the input histology images. Our proposed system is a simple and novel method to supervise compressive neural networks. We test the compressed images using transfer learning-based classifiers and show that they provide promising accuracy and classification performance.
• Abstract（参考訳）: 本稿では,原画像のより高密度で有意義な表現を維持しつつ,病理組織像を圧縮する自動エンコーダベースのニューラルネットワークアーキテクチャを提案する。 圧縮アルゴリズムの改善に関する最近の研究は、関心領域(roiに基づくアプローチ)の圧縮率を下げる手法に焦点を当てている。 ニューラルネットワークは画像から意味のある意味表現を抽出するのに優れており、圧縮プロセスにおいて関心を持つ領域を選択することができる。 本研究では,スライド病理像全体の圧縮に焦点を当てた。 目的は、ニューラルネットワークのアンサンブルを構築し、圧縮オートエンコーダを教師付き方式で、入力されたヒストロジー画像のより密度が高くより意味のある表現を維持することである。 提案システムは,圧縮ニューラルネットワークを監督するシンプルで斬新な手法である。 転送学習に基づく分類器を用いて圧縮画像をテストし,その精度と分類性能が期待できることを示す。

関連論文リスト

• Recompression Based JPEG Tamper Detection and Localization Using Deep Neural Network Eliminating Compression Factor Dependency [2.8498944632323755]
  本稿では,JPEG画像におけるrepression based forgeryの存在を検出することができる畳み込みニューラルネットワークに基づくディープラーニングアーキテクチャを提案する。 本研究では,リ圧縮機能に基づく画像操作領域のローカライズも目的とする。
  論文  参考訳（メタデータ） (2024-07-03T09:19:35Z)
• Slicer Networks [8.43960865813102]
  医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。 スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。 異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
  論文  参考訳（メタデータ） (2024-01-18T09:50:26Z)
• Image Data Hiding in Neural Compressed Latent Representations [1.0878040851638]
  汎用ニューラル圧縮機の潜在表現に秘密を埋め込んで抽出するエンドツーエンドの学習画像データ隠蔽フレームワークを提案する。 既存の手法と比較して,圧縮領域における画像の機密性および競合性に優れた透かしを提供する。
  論文  参考訳（メタデータ） (2023-10-01T03:53:28Z)
• The Devil Is in the Details: Window-based Attention for Image Compression [58.1577742463617]
  既存の学習画像圧縮モデルは畳み込みニューラルネットワーク(CNN)に基づいている。 本稿では,複数種類の注意機構が局所特徴学習に与える影響について検討し,より単純で効果的なウィンドウベースの局所的注意ブロックを提案する。 提案されたウィンドウベースのアテンションは非常に柔軟で、CNNとTransformerモデルを強化するためのプラグイン・アンド・プレイコンポーネントとして機能する可能性がある。
  論文  参考訳（メタデータ） (2022-03-16T07:55:49Z)
• COIN++: Data Agnostic Neural Compression [55.27113889737545]
  COIN++は、幅広いデータモダリティをシームレスに扱うニューラルネットワーク圧縮フレームワークである。 様々なデータモダリティを圧縮することで,本手法の有効性を示す。
  論文  参考訳（メタデータ） (2022-01-30T20:12:04Z)
• Implicit Neural Representations for Image Compression [103.78615661013623]
  Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。 量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。 我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
  論文  参考訳（メタデータ） (2021-12-08T13:02:53Z)
• 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)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• A new approach to descriptors generation for image retrieval by analyzing activations of deep neural network layers [43.77224853200986]
  本稿では,ディープニューラルネットワークを用いたコンテンツベース画像検索作業における記述子構築の問題点について考察する。 ネットワークの畳み込み部分のニューロンの総数は多く、その大部分が最終分類決定にほとんど影響を与えないことが知られている。 本稿では,最も重要なニューロン活性化を抽出し,その情報を利用して効果的な記述子を構築する新しいアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2020-07-13T18:53:10Z)
• Neural Sparse Representation for Image Restoration [116.72107034624344]
  スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。 本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。 実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
  論文  参考訳（メタデータ） (2020-06-08T05:15:17Z)

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。