論文の概要: AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer

• arxiv url: http://arxiv.org/abs/2309.06421v1
• Date: Tue, 12 Sep 2023 17:37:56 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-13 11:51:59.899466
• Title: AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer
• Title（参考訳）: AGMDT: 補助ガイド下多臓器移植による腎組織像の仮想染色
• Authors: Tao Ma, Chao Zhang, Min Lu, Lin Luo
• Abstract要約: 画素レベルのアライメントを回避し,画像の他の領域への変換を行う新しい仮想染色フレームワーク AGMDT を提案する。 提案するフレームワーク AGMDT は,球状率検出と二部グラフマッチングにより,複数ドメインのシリアルスライスにまたがるパッチレベルのアライメントペアを検出する。 実験の結果,提案したAGMDTは,高精度な画素レベルのアライメントと未ペアドメイン転送とのバランスが良好であることがわかった。
• 参考スコア（独自算出の注目度）: 9.8359439975283
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Renal pathology, as the gold standard of kidney disease diagnosis, requires doctors to analyze a serial of tissue slices stained by H\&E staining and special staining like Masson, PASM, and PAS, respectively. These special staining methods are costly, time-consuming, and hard to standardize for wide use especially in primary hospitals. Advances of supervised learning methods can virtually convert H\&E images into special staining images, but the pixel-to-pixel alignment is hard to achieve for training. As contrast, unsupervised learning methods regarding different stains as different style transferring domains can use unpaired data, but they ignore the spatial inter-domain correlations and thus decrease the trustworthiness of structural details for diagnosis. In this paper, we propose a novel virtual staining framework AGMDT to translate images into other domains by avoiding pixel-level alignment and meanwhile utilizing the correlations among adjacent tissue slices. We first build a high-quality multi-domain renal histological dataset where each specimen case comprises a series of slices stained in various ways. Based on it, the proposed framework AGMDT discovers patch-level aligned pairs across the serial slices of multi-domains through glomerulus detection and bipartite graph matching, and utilizes such correlations to supervise the end-to-end model for multi-domain staining transformation. Experimental results show that the proposed AGMDT achieves a good balance between the precise pixel-level alignment and unpaired domain transfer by exploiting correlations across multi-domain serial pathological slices, and outperforms the state-of-the-art methods in both quantitative measure and morphological details.
• Abstract（参考訳）: 腎病理学は腎臓疾患の診断の標準として、医師がそれぞれH&E染色で染色された組織スライスと、Masson、PASM、PASなどの特殊な染色を分析する必要がある。 これらの特殊な染色法は費用がかかり、時間がかかり、特に初等病院で広く使われるように標準化が難しい。 教師付き学習手法の進歩により、H&E画像を特殊染色画像に変換することができるが、画素間のアライメントは訓練のためには困難である。 対照的に、異なるスタイル転送ドメインとして異なるステインに関する教師なし学習方法は、非ペアデータを用いることができるが、空間的ドメイン間相関を無視し、診断のための構造的詳細の信頼性を低下させる。 本稿では,ピクセルレベルのアライメントを回避し,隣接する組織スライス間の相関を利用して画像の他の領域への変換を行う,新しい仮想染色フレームワーク AGMDT を提案する。 まず, 種々の方法で染色した一連のスライス標本からなる, 高品位多ドメイン腎組織学的データセットを構築した。 提案するフレームワークであるAGMDTは,球状率検出と二部グラフマッチングにより,複数ドメインの連続スライスにまたがるパッチレベルのアライメントペアを検出し,そのような相関を利用してマルチドメイン染色変換のエンドツーエンドモデルを監督する。 実験の結果,多領域連続病的スライス間の相関を活用し,高精度な画素レベルアライメントと非ペアリングドメイン転送のバランスを良好に達成し,定量的な測定と形態学的詳細の両方において最先端の手法を上回った。

関連論文リスト

• Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
  染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。 大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:50:30Z)
• Understanding Stain Separation Improves Cross-Scanner Adenocarcinoma Segmentation with Joint Multi-Task Learning [2.3470559413988936]
  デジタル病理学は腫瘍の診断とセグメンテーションに大きな進歩をもたらしたが、画像の可変性は現在のアルゴリズムの有効性を制限している。 COSAS (Cross-Organ and Cross-Scanner Adenocarcinoma) は、セグメント化アルゴリズムのドメインシフトに対するレジリエンスを改善することでこの問題に対処している。 提案手法では,マルチデコーダオートエンコーダを用いたマルチタスク学習フレームワーク内での汚れ分離による教師なし学習を採用する。
  論文  参考訳（メタデータ） (2024-09-20T06:12:52Z)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Multi-domain stain normalization for digital pathology: A cycle-consistent adversarial network for whole slide images [0.0]
  本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。 CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
  論文  参考訳（メタデータ） (2023-01-23T13:34:49Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Affinity Feature Strengthening for Accurate, Complete and Robust Vessel Segmentation [48.638327652506284]
  血管セグメンテーションは、冠動脈狭窄、網膜血管疾患、脳動脈瘤などの多くの医学的応用において重要である。 コントラストに敏感なマルチスケールアフィニティアプローチを用いて,幾何学的手法と画素単位のセグメンテーション特徴を連成的にモデル化する新しいアプローチであるAFNを提案する。
  論文  参考訳（メタデータ） (2022-11-12T05:39:17Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• Towards Histopathological Stain Invariance by Unsupervised Domain Augmentation using Generative Adversarial Networks [0.7340845393655052]
  対比画像から画像への変換に基づく教師なし増分手法を提案する。 ネットワークを一般的な染色モダリティでトレーニングし、それに対応するが異なる染色組織構造を含む画像に適用することにより、提案手法は大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2020-12-22T23:32:17Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。