論文の概要: SHISRCNet: Super-resolution And Classification Network For
Low-resolution Breast Cancer Histopathology Image
- arxiv url: http://arxiv.org/abs/2306.14119v1
- Date: Sun, 25 Jun 2023 04:01:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-27 16:42:36.390263
- Title: SHISRCNet: Super-resolution And Classification Network For
Low-resolution Breast Cancer Histopathology Image
- Title（参考訳）: shisrcnet : 低解像度乳癌病理組織像のための超解像・分類ネットワーク
- Authors: Luyuan Xie, Cong Li, Zirui Wang, Xin Zhang, Boyan Chen, Qingni Shen,
Zhonghai Wu
- Abstract要約: 低解像度(LR)画像は、ハードウェア条件が限られたデジタルスライドスキャナーによって収集されることが多い。
Super-Resolution (SR)モジュールは、LR画像をSRイメージに再構成する。
CFモジュールは、分類のためのSR画像のマルチスケール特徴を抽出し、融合する。
- 参考スコア（独自算出の注目度）: 17.975877739745396
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The rapid identification and accurate diagnosis of breast cancer, known as
the killer of women, have become greatly significant for those patients.
Numerous breast cancer histopathological image classification methods have been
proposed. But they still suffer from two problems. (1) These methods can only
hand high-resolution (HR) images. However, the low-resolution (LR) images are
often collected by the digital slide scanner with limited hardware conditions.
Compared with HR images, LR images often lose some key features like texture,
which deeply affects the accuracy of diagnosis. (2) The existing methods have
fixed receptive fields, so they can not extract and fuse multi-scale features
well for images with different magnification factors. To fill these gaps, we
present a \textbf{S}ingle \textbf{H}istopathological \textbf{I}mage
\textbf{S}uper-\textbf{R}esolution \textbf{C}lassification network (SHISRCNet),
which consists of two modules: Super-Resolution (SR) and Classification (CF)
modules. SR module reconstructs LR images into SR ones. CF module extracts and
fuses the multi-scale features of SR images for classification. In the training
stage, we introduce HR images into the CF module to enhance SHISRCNet's
performance. Finally, through the joint training of these two modules,
super-resolution and classified of LR images are integrated into our model. The
experimental results demonstrate that the effects of our method are close to
the SOTA methods with taking HR images as inputs.
- Abstract（参考訳）: 女性の死因として知られる乳がんの迅速同定と正確な診断は、これらの患者にとって大きな意味を持つようになった。
多数の乳癌組織像分類法が提案されている。
しかし、2つの問題を抱えている。
1) これらの手法は高分解能画像のみを処理できる。
しかし、低解像度(LR)画像はハードウェア条件が限られたデジタルスライドスキャナーによって収集されることが多い。
HR画像と比較すると、LR画像はしばしばテクスチャのような重要な特徴を失い、診断の精度に深く影響を与えます。
2) 既存手法には一定の受容場があるため, 拡大係数の異なる画像に対して, マルチスケールな特徴を抽出・融合することはできない。
これらのギャップを埋めるために、超解法(SR)と分類(CF)モジュールの2つのモジュールからなる、 \textbf{S}ingle \textbf{H}istopathological \textbf{I}mage \textbf{S}uper-\textbf{R}esolution \textbf{C}lassification Network (SHISRCNet)を示す。
SRモジュールはLR画像をSRモジュールに再構成する。
CFモジュールは、分類のためのSR画像のマルチスケール特徴を抽出し、融合する。
トレーニング段階では,ShiSRCNetの性能を高めるため,CFモジュールにHR画像を導入する。
最後に、これらの2つのモジュールの合同訓練により、LR画像の超解像と分類をモデルに統合する。
実験結果から,本手法の有効性は,HR画像を入力として用いたSOTA法に近いことがわかった。
関連論文リスト
- SR-CACO-2: A Dataset for Confocal Fluorescence Microscopy Image Super-Resolution [7.770202118479678]
低解像度画像をアップスケーリングして高解像度画像(HR)を生成することで、画像品質の回復に、一像超解像(SISR)のマシン/ディープ学習法を適用することができる。
SISR法は、公開データの豊富さから、写真リアル画像にうまく応用されている。
我々は,3種類の蛍光マーカーに印加された低解像度と高解像度の画像対からなる,SR-CACO-2と呼ばれる大規模な走査共焦点顕微鏡データセットを提案する。
論文 参考訳（メタデータ） (2024-06-13T14:30:35Z) - An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution [18.881480825169053]
Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。
ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
論文 参考訳（メタデータ） (2024-01-28T10:00:45Z) - Efficient Test-Time Adaptation for Super-Resolution with Second-Order
Degradation and Reconstruction [62.955327005837475]
画像超解像(SR)は,低分解能(LR)から高分解能(HR)へのマッピングを,一対のHR-LRトレーニング画像を用いて学習することを目的としている。
SRTTAと呼ばれるSRの効率的なテスト時間適応フレームワークを提案し、SRモデルを異なる/未知の劣化型でテストドメインに迅速に適応させることができる。
論文 参考訳（メタデータ） (2023-10-29T13:58:57Z) - Learning Many-to-Many Mapping for Unpaired Real-World Image
Super-resolution and Downscaling [60.80788144261183]
実世界のLR画像とHR画像の双方向多対多マッピングを教師なしで同時に学習するSDFlowと呼ばれる画像ダウンスケーリングとSRモデルを提案する。
実世界の画像SRデータセットによる実験結果から,SDFlowは定量的かつ定性的に,多様な現実的なLRとSRの画像を生成可能であることが示唆された。
論文 参考訳（メタデータ） (2023-10-08T01:48:34Z) - Dual Arbitrary Scale Super-Resolution for Multi-Contrast MRI [23.50915512118989]
マルチコントラスト超解像 (SR) 再構成により, SR画像の高画質化が期待できる。
放射線技師は、固定スケールではなく任意のスケールでMR画像を拡大することに慣れている。
本稿では,Dual-ArbNetと呼ばれる,暗黙的ニューラル表現に基づくマルチコントラストMRI超解像法を提案する。
論文 参考訳（メタデータ） (2023-07-05T14:43:26Z) - CuNeRF: Cube-Based Neural Radiance Field for Zero-Shot Medical Image Arbitrary-Scale Super Resolution [78.734927709231]
医用画像任意スケール超解像 (MIASSR) が最近注目され, 任意のスケールの医用ボリュームを単一モデルで超高精細化することを目指している。
連続領域における任意のスケールで医用画像が得られるゼロショットMIASSRフレームワークCuNeRFを提案する。
論文 参考訳（メタデータ） (2023-03-28T18:36:19Z) - Flexible Alignment Super-Resolution Network for Multi-Contrast MRI [7.727046305845654]
超解像は、より正確な医療分析のために低解像度の画像を前処理する上で重要な役割を担っている。
マルチコントラスト磁気共鳴画像のためのフレキシブルアライメント・スーパーリゾリューション・ネットワーク(FASR-Net)を提案する。
論文 参考訳（メタデータ） (2022-10-07T11:07:20Z) - Model-Guided Multi-Contrast Deep Unfolding Network for MRI
Super-resolution Reconstruction [68.80715727288514]
MRI観察行列を用いて,反復型MGDUNアルゴリズムを新しいモデル誘導深部展開ネットワークに展開する方法を示す。
本稿では,医療画像SR再構成のためのモデルガイド型解釈可能なDeep Unfolding Network(MGDUN)を提案する。
論文 参考訳（メタデータ） (2022-09-15T03:58:30Z) - Single MR Image Super-Resolution using Generative Adversarial Network [0.696125353550498]
Real Enhanced Super Resolution Generative Adrial Network (Real-ESRGAN) は、高解像度画像の生成に使われている最近の効果的なアプローチの1つである。
本稿では,2次元MR画像の空間分解能を高めるために本手法を適用した。
論文 参考訳（メタデータ） (2022-07-16T23:15:10Z) - Towards Lightweight Super-Resolution with Dual Regression Learning [58.98801753555746]
深層ニューラルネットワークは、画像超解像(SR)タスクにおいて顕著な性能を示した。
SR問題は通常不適切な問題であり、既存の手法にはいくつかの制限がある。
本稿では、SRマッピングの可能な空間を削減するために、二重回帰学習方式を提案する。
論文 参考訳（メタデータ） (2022-07-16T12:46:10Z) - Hierarchical Conditional Flow: A Unified Framework for Image
Super-Resolution and Image Rescaling [139.25215100378284]
画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。
HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。
さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
論文 参考訳（メタデータ） (2021-08-11T16:11:01Z)
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。