論文の概要: CellGAN: Conditional Cervical Cell Synthesis for Augmenting
Cytopathological Image Classification
- arxiv url: http://arxiv.org/abs/2307.06182v1
- Date: Wed, 12 Jul 2023 14:13:54 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-13 12:52:52.719391
- Title: CellGAN: Conditional Cervical Cell Synthesis for Augmenting
Cytopathological Image Classification
- Title(参考訳): CellGAN: 細胞病理画像分類のための条件付き頸部細胞合成
- Authors: Zhenrong Shen, Maosong Cao, Sheng Wang, Lichi Zhang, Qian Wang
- Abstract要約: 現在の解決策は、不審な細胞を局所化し、局所的なパッチに基づいて異常を分類する必要がある。
セルGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
- 参考スコア(独自算出の注目度): 11.255093167227928
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automatic examination of thin-prep cytologic test (TCT) slides can assist
pathologists in finding cervical abnormality for accurate and efficient cancer
screening. Current solutions mostly need to localize suspicious cells and
classify abnormality based on local patches, concerning the fact that whole
slide images of TCT are extremely large. It thus requires many annotations of
normal and abnormal cervical cells, to supervise the training of the
patch-level classifier for promising performance. In this paper, we propose
CellGAN to synthesize cytopathological images of various cervical cell types
for augmenting patch-level cell classification. Built upon a lightweight
backbone, CellGAN is equipped with a non-linear class mapping network to
effectively incorporate cell type information into image generation. We also
propose the Skip-layer Global Context module to model the complex spatial
relationship of the cells, and attain high fidelity of the synthesized images
through adversarial learning. Our experiments demonstrate that CellGAN can
produce visually plausible TCT cytopathological images for different cell
types. We also validate the effectiveness of using CellGAN to greatly augment
patch-level cell classification performance.
- Abstract(参考訳): thin-prep cytologic test (tct) スライドの自動検査は、正確かつ効率的ながんスクリーニングのために、病理学者が頚椎異常を見つけるのに役立つ。
現在のソリューションでは、ttcのスライド画像全体が非常に大きいという事実から、疑わしい細胞を局在化し、局所的なパッチに基づいて異常を分類する必要がある。
したがって、パッチレベルの分類器のトレーニングを監督するためには、正常なおよび異常な頸部細胞に対する多くのアノテーションが必要である。
本稿では,様々な頸部細胞タイプの細胞病理像を合成し,パッチレベル細胞分類を増強するセルガンを提案する。
軽量なバックボーン上に構築されたCellGANは、画像生成にセルタイプ情報を効果的に組み込む非線形クラスマッピングネットワークを備えている。
また, セルの複雑な空間的関係をモデル化し, 逆学習により合成画像の忠実度を高めるためのスキップ層グローバルコンテキストモジュールを提案する。
実験の結果,CellGANは様々な細胞タイプに対して視覚的に可視なTCK細胞病理像を作成できることがわかった。
また,CellGANを用いたパッチレベルの細胞分類性能を大幅に向上させる効果も検証した。
関連論文リスト
- Two-stage Cytopathological Image Synthesis for Augmenting Cervical
Abnormality Screening [13.569003698448]
データ収集とアノテーションの努力を最小限に抑えるため、病理画像合成が自然に行われる。
頚部異常スクリーニングのための合成データを作成するための2段階画像合成フレームワークを提案する。
提案する合成フレームワークの合成画像品質,多様性,制御性について実験を行った。
論文 参考訳(メタデータ) (2024-02-22T17:06:47Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳(メタデータ) (2024-02-20T11:50:27Z) - Unsupervised high-throughput segmentation of cells and cell nuclei in
quantitative phase images [7.933456209708723]
ノイズや反射を細胞と混同することなく正確にセグメント化できる教師なしマルチステージ手法を提案する。
このセグメンテーションは, 患者試料に対して, 細胞解析時間当たりの妥当な測定結果として, 常に良好な結果をもたらすことを示した。
論文 参考訳(メタデータ) (2023-11-24T18:12:06Z) - Multi-stream Cell Segmentation with Low-level Cues for Multi-modality
Images [66.79688768141814]
我々は,顕微鏡画像のラベル付けを行うセル分類パイプラインを開発した。
次に、分類ラベルに基づいて分類モデルを訓練する。
2種類のセグメンテーションモデルを、丸みを帯びた形状と不規則な形状のセグメンテーションセルに展開する。
論文 参考訳(メタデータ) (2023-10-22T08:11:08Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - Exploring Contextual Relationships for Cervical Abnormal Cell Detection [13.871848336987275]
本稿では, 頸部異常細胞検出の性能を高めるために, 文脈的関係を探究する。
RoI-relationship attention module (RRAM) と Global RoI attention module (GRAM) と呼ばれる2つのモジュールが開発されている。
4万枚の画像からなる大規模な頸部細胞検出データセットを用いて行った実験により、RRAMとGRAMの導入は、ベースライン法よりも平均精度(AP)が良いことが判明した。
論文 参考訳(メタデータ) (2022-07-11T08:15:29Z) - Lymphocyte Classification in Hyperspectral Images of Ovarian Cancer
Tissue Biopsy Samples [94.37521840642141]
生検コアのハイパースペクトル画像に白血球画素を分割する機械学習パイプラインを提案する。
これらの細胞は臨床的に診断に重要であるが、いくつかの先行研究は正確なピクセルラベルを得るのが困難であるため、それらを組み込むのに苦労している。
論文 参考訳(メタデータ) (2022-03-23T00:58:27Z) - Cell abundance aware deep learning for cell detection on highly
imbalanced pathological data [0.0]
デジタル病理学では、少ない細胞型は生物学的に重要である。
モデルトレーニング中の細胞型の豊富さを考慮した深層学習パイプラインを提案しました。
その結果,細胞量による深層学習損失関数のスケールアップは細胞検出性能を向上させることがわかった。
論文 参考訳(メタデータ) (2021-02-23T13:07:52Z) - A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。
我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。
2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
論文 参考訳(メタデータ) (2021-01-27T22:40:33Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳(メタデータ) (2020-11-24T01:53:39Z)
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。