論文の概要: Artifact Restoration in Histology Images with Diffusion Probabilistic Models

• arxiv url: http://arxiv.org/abs/2307.14262v1
• Date: Wed, 26 Jul 2023 15:50:02 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-27 11:59:56.753088
• Title: Artifact Restoration in Histology Images with Diffusion Probabilistic Models
• Title（参考訳）: 拡散確率モデルを用いた組織像のアーティファクト復元
• Authors: Zhenqi He, Junjun He, Jin Ye, Yiqing Shen
• Abstract要約: 組織学的全スライド画像(WSI)は通常、組織の折り畳みや気泡などの人工物によって妥協される。 既存のアーティファクト画像復元手法はGAN(Generative Adversarial Networks)に限られている 組織学的アーティファクト修復(ArtiFusion)のための拡散確率モデルの最初の試みを行う。
• 参考スコア（独自算出の注目度）: 10.016731839549259
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Histological whole slide images (WSIs) can be usually compromised by artifacts, such as tissue folding and bubbles, which will increase the examination difficulty for both pathologists and Computer-Aided Diagnosis (CAD) systems. Existing approaches to restoring artifact images are confined to Generative Adversarial Networks (GANs), where the restoration process is formulated as an image-to-image transfer. Those methods are prone to suffer from mode collapse and unexpected mistransfer in the stain style, leading to unsatisfied and unrealistic restored images. Innovatively, we make the first attempt at a denoising diffusion probabilistic model for histological artifact restoration, namely ArtiFusion.Specifically, ArtiFusion formulates the artifact region restoration as a gradual denoising process, and its training relies solely on artifact-free images to simplify the training complexity.Furthermore, to capture local-global correlations in the regional artifact restoration, a novel Swin-Transformer denoising architecture is designed, along with a time token scheme. Our extensive evaluations demonstrate the effectiveness of ArtiFusion as a pre-processing method for histology analysis, which can successfully preserve the tissue structures and stain style in artifact-free regions during the restoration. Code is available at https://github.com/zhenqi-he/ArtiFusion.
• Abstract（参考訳）: 組織学的全スライド画像(WSI)は通常、組織折り畳みや気泡などの人工物によって妥協され、病理医とコンピュータ支援診断(CAD)システムの検査困難が増大する。 既存のアーティファクトイメージの復元アプローチはGAN(Generative Adversarial Networks)に限られており、修復プロセスはイメージ・ツー・イメージ・トランスファーとして定式化されている。 これらの手法は、モード崩壊と予期せぬステンスタイルの誤伝に苦しむ傾向があり、不満足で非現実的な復元画像を生み出す。 Innovatively, we make the first attempt at a denoising diffusion probabilistic model for histological artifact restoration, namely ArtiFusion.Specifically, ArtiFusion formulates the artifact region restoration as a gradual denoising process, and its training relies solely on artifact-free images to simplify the training complexity.Furthermore, to capture local-global correlations in the regional artifact restoration, a novel Swin-Transformer denoising architecture is designed, along with a time token scheme. 本研究は, 組織解析におけるArtiFusionの予備処理法としての有効性を実証し, 修復過程における組織構造と染色様式の保存に成功した。 コードはhttps://github.com/zhenqi-he/artifusionで入手できる。

関連論文リスト

• One-step Generative Diffusion for Realistic Extreme Image Rescaling [47.89362819768323]
  極端画像再スケーリングのためのワンステップイメージ再スケーリング拡散(OSIRDiff)と呼ばれる新しいフレームワークを提案する。 OSIRDiffは、事前訓練されたオートエンコーダの潜在空間で再スケーリング操作を実行する。 これは、事前訓練されたテキスト・ツー・イメージ拡散モデルによって学習された強力な自然画像の先行を効果的に活用する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• LatentArtiFusion: An Effective and Efficient Histological Artifacts Restoration Framework [22.525991027687084]
  GAN(Generative Adversarial Networks)とピクセルレベルの拡散モデルに基づく組織学的アーティファクト復元の現在のアプローチは、性能制限と計算不効率に悩まされている。 本稿では,潜伏拡散モデル(LDM)を用いて組織学的アーティファクトを高い性能と計算効率で再構築する新しいフレームワークであるLatntArtiFusionを提案する。
  論文  参考訳（メタデータ） (2024-07-29T17:00:32Z)
• Denoising as Adaptation: Noise-Space Domain Adaptation for Image Restoration [64.84134880709625]
  拡散モデルを用いて,雑音空間を介して領域適応を行うことが可能であることを示す。 特に、補助的な条件入力が多段階の復調過程にどのように影響するかというユニークな性質を活用することにより、有意義な拡散損失を導出する。 拡散モデルにおけるチャネルシャッフル層や残留スワッピング型コントラスト学習などの重要な戦略を提案する。
  論文  参考訳（メタデータ） (2024-06-26T17:40:30Z)
• DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
  本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。 画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。 MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-12-11T18:38:28Z)
• Multi-stage Deep Learning Artifact Reduction for Computed Tomography [0.0]
  本稿では,ニューラルネットワークを複数の領域に適用した人工物除去のための多段階ディープラーニング手法を提案する。 ニューラルネットワークは、逐次的に効果的にトレーニングでき、簡単に使用でき、計算的に効率的にトレーニングできることを示す。
  論文  参考訳（メタデータ） (2023-09-01T14:40:25Z)
• FreeSeed: Frequency-band-aware and Self-guided Network for Sparse-view CT Reconstruction [34.91517935951518]
  スパース・ビュー・コンピュート・トモグラフィー(CT)は, 患者への放射線曝露を迅速化し, 患者への放射線照射を緩和するための, 有望な方法である。 近年,深層学習に基づく画像後処理手法が有望な成果を上げている。 本稿では,FREquency-band-awarEとSelf-guidedを併用したFREquency-band-awarEとSelf-guidedネットワークを提案する。
  論文  参考訳（メタデータ） (2023-07-12T03:39:54Z)
• Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
  X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。 既存のディープラーニングベースの手法は、有望な再構築性能を得た。 本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-26T13:56:12Z)
• Learning MRI Artifact Removal With Unpaired Data [74.48301038665929]
  振り返りアーティファクト補正(RAC)は、画像の質を向上し、画像のユーザビリティを向上させる。 最近のRACの機械学習駆動技術は、主に教師付き学習に基づいている。 ここでは、不要な画像アーティファクトを、未ペアデータで学習したRACニューラルネットワークを介して、画像から切り離し、取り除くことができることを示す。
  論文  参考訳（メタデータ） (2021-10-09T16:09:27Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Deep Sinogram Completion with Image Prior for Metal Artifact Reduction in CT Images [29.019325663195627]
  CTは, 診断, 評価, 治療計画, 指導に広く用いられている。 CT画像は金属の物体の存在に悪影響を及ぼし、重金属の破片につながる可能性がある。 本稿では, 画像領域とシノグラム領域に基づくMAR技術の利点を同時に活用して, 金属アーティファクト低減(MAR)の一般化可能なフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-09-16T04:43:35Z)

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。