論文の概要: Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation

• arxiv url: http://arxiv.org/abs/2311.06552v1
• Date: Sat, 11 Nov 2023 12:00:44 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-14 17:54:53.345377
• Title: Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation
• Title（参考訳）: Stain Consistency Learning: 自動デジタル病理分類のためのStain Variationの扱い
• Authors: Michael Yeung, Todd Watts, Sean YW Tan, Pedro F. Ferreira, Andrew D. Scott, Sonia Nielles-Vallespin, Guang Yang
• Abstract要約: 染色色不変の特徴を学習するために,染色特異的増色と染色一貫性損失関数を組み合わせた新しいフレームワークを提案する。 マソンのトリクロマトクロムとH&E染色細胞と核データセットの10つの手法を比較した。 その結果,染色法は同等あるいは悪い性能を示したが,染色法や染色法では性能が向上した。
• 参考スコア（独自算出の注目度）: 3.2386272343130127
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stain variation is a unique challenge associated with automated analysis of digital pathology. Numerous methods have been developed to improve the robustness of machine learning methods to stain variation, but comparative studies have demonstrated limited benefits to performance. Moreover, methods to handle stain variation were largely developed for H&E stained data, with evaluation generally limited to classification tasks. Here we propose Stain Consistency Learning, a novel framework combining stain-specific augmentation with a stain consistency loss function to learn stain colour invariant features. We perform the first, extensive comparison of methods to handle stain variation for segmentation tasks, comparing ten methods on Masson's trichrome and H&E stained cell and nuclei datasets, respectively. We observed that stain normalisation methods resulted in equivalent or worse performance, while stain augmentation or stain adversarial methods demonstrated improved performance, with the best performance consistently achieved by our proposed approach. The code is available at: https://github.com/mlyg/stain_consistency_learning
• Abstract（参考訳）: Stain variationは、デジタル病理の自動解析にまつわるユニークな課題である。 機械学習手法の頑健性を改善するために多くの方法が開発されているが、比較研究は性能に限定的な利点を示している。 さらに, H&E染色データに対して, 分類タスクに限定して, 染色変化の処理方法が開発された。 本稿では,染色色不変特徴を学習するために,染色特異的増強と染色一貫性損失関数を組み合わせた新しい枠組みである染色一貫性学習を提案する。 セグメンテーションタスクにおける染色変化に対処する方法について,まず第1回,広範な比較を行い,マッソンのトリクロムとh&e染色セルと核データセットについてそれぞれ10の方法を比較した。 染色の正常化法では同等か劣る性能が得られたが, 染色増補法や染色逆行法では性能が向上し, 提案手法により一貫して最高の性能が得られた。 コードは、https://github.com/mlyg/stain_consistency_learningで入手できる。

関連論文リスト

• Unsupervised Latent Stain Adaptation for Computational Pathology [2.483372684394528]
  スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。 我々は,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれる,すべてのステンド画像を含む人工ラベル付きと非ラベル付きデータの共同トレーニングを提案する。 本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。
  論文  参考訳（メタデータ） (2024-06-27T11:08:42Z)
• Which Tokens to Use? Investigating Token Reduction in Vision Transformers [64.99704164972513]
  4つの画像分類データセットを用いた10種類のトークン削減手法の削減パターンについて検討した。 トップKプルーニング法は驚くほど強力なベースラインであることがわかった。 リダクションパターンの類似性は、モデルパフォーマンスの適度なプロキシである。
  論文  参考訳（メタデータ） (2023-08-09T01:51:07Z)
• A Laplacian Pyramid Based Generative H&E Stain Augmentation Network [5.841841666625825]
  Generative Stain Augmentation Network (G-SAN)は、GANベースのフレームワークで、シミュレーションされた染色のバリエーションでセルイメージのコレクションを増強する。 G-SAN強化トレーニングデータを使用することで、平均15.7%のF1スコアの改善、7.3%の汎光学品質向上が達成される。
  論文  参考訳（メタデータ） (2023-05-23T17:43:18Z)
• Improving Stain Invariance of CNNs for Segmentation by Fusing Channel Attention and Domain-Adversarial Training [5.501810688265425]
  異なるスライド作成技術、化学物質、スキャナ構成などの染色プロトコルのばらつきは、スライド画像全体(WSI)の多様なセットをもたらす可能性がある。 この分布シフトは、見えないサンプルに対するディープラーニングモデルの性能に悪影響を及ぼす可能性がある。 セマンティックセグメンテーションのための単一ソース設定における変化を染色するために,畳み込みニューラルネットワーク(CNN)の一般化性を改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-22T16:54:37Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• 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)
• Stain-Adaptive Self-Supervised Learning for Histopathology Image Analysis [3.8073142980733]
  病理画像解析のためのSASSL法を提案する。 当社のSASSLはSSLフレームワークにドメイン・アドバイザリ・トレーニング・モジュールを統合して,さまざまな変換やスタイラスのバリエーションに対して堅牢な特徴を学習しています。 実験結果から,提案手法はモデルの特徴抽出能力を頑健に向上できることが示された。
  論文  参考訳（メタデータ） (2022-08-08T09:54:46Z)
• RandStainNA: Learning Stain-Agnostic Features from Histology Slides by Bridging Stain Augmentation and Normalization [45.81689497433507]
  ステン正規化(SN)とステン強化(SA)という2つの提案が一般化誤差を低減するために注目されている。 この問題に対処するため、SNとSAを新しいRandStainNAスキームで統一する。 RandStainNAは、ステンレスに依存しないディープラーニングモデルをトレーニングするために、実行可能な範囲で可変ステンスタイルを制約する。
  論文  参考訳（メタデータ） (2022-06-25T16:43:59Z)
• Revisiting Consistency Regularization for Semi-Supervised Learning [80.28461584135967]
  そこで我々は,FeatDistLossというシンプルな手法により,一貫性の規則化を改良したフレームワークを提案する。 実験結果から,本モデルは様々なデータセットや設定のための新しい技術状態を定義する。
  論文  参考訳（メタデータ） (2021-12-10T20:46:13Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。