Fugu-MT 論文翻訳(概要): Editable Stain Transformation Of Histological Images Using Unpaired GANs

論文の概要: Editable Stain Transformation Of Histological Images Using Unpaired GANs

arxiv url: http://arxiv.org/abs/2312.03647v1
Date: Wed, 6 Dec 2023 18:05:41 GMT
ステータス: 処理完了
システム内更新日: 2023-12-07 13:57:36.460239
Title: Editable Stain Transformation Of Histological Images Using Unpaired GANs
Title（参考訳）: アンペアGANを用いた組織像の編集可能なステイン変換
Authors: Tibor Sloboda, Luk\'a\v{s} Hudec, Wanda Bene\v{s}ov\'a
Abstract要約: 病理組織学における二重染色、特に転移性乳癌では、通常、H&EおよびP63色素を用いる。本研究では,Mask CycleGANと説明可能性機能とH&E染色胸部組織像をP63様画像に変換する構造保存機能を組み合わせた高度なアーキテクチャであるxAI-CycleGANを紹介する。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Double staining in histopathology, particularly for metaplastic breast cancer, typically employs H&E and P63 dyes. However, P63's tissue damage and high cost necessitate alternative methods. This study introduces xAI-CycleGAN, an advanced architecture combining Mask CycleGAN with explainability features and structure-preserving capabilities for transforming H&E stained breast tissue images into P63-like images. The architecture allows for output editing, enhancing resemblance to actual images and enabling further model refinement. We showcase xAI-CycleGAN's efficacy in maintaining structural integrity and generating high-quality images. Additionally, a histopathologist survey indicates the generated images' realism is often comparable to actual images, validating our model's high-quality output.
Abstract（参考訳）: 病理組織学、特に異形成乳癌における二重染色は、通常h&eとp63染料を用いる。しかし、P63の組織損傷と高コストの代替方法が必要であった。本研究では,Mask CycleGANと説明可能性機能とH&E染色胸部組織像をP63様画像に変換する構造保存機能を組み合わせた高度なアーキテクチャであるxAI-CycleGANを紹介する。このアーキテクチャは出力編集を可能にし、実際の画像との類似性を高め、さらなるモデルの改良を可能にする。我々は,XAI-CycleGANが構造整合性を維持し,高品質な画像を生成する上で有効であることを示す。さらに、病理学者による調査では、生成された画像のリアリズムは実際の画像に匹敵することが多く、モデルの高品質な出力を検証する。

関連論文リスト

Dual-Domain CLIP-Assisted Residual Optimization Perception Model for Metal Artifact Reduction [9.028901322902913]
CT(Computed tomography)画像における金属遺物は,正確な臨床診断に重要な課題である。深層学習に基づくアプローチ、特に生成モデルは、金属人工物還元(MAR)のために提案されている。
論文参考訳（メタデータ） (2024-08-14T02:37:26Z)
Multi-Branch Generative Models for Multichannel Imaging with an Application to PET/CT Synergistic Reconstruction [42.95604565673447]
本稿では,マルチブランチ生成モデルを用いた医用画像の相乗的再構築のための新しい手法を提案する。我々は,MNIST (Modified National Institute of Standards and Technology) とPET (positron emission tomography) とCT (Computed tomography) の2つのデータセットに対するアプローチの有効性を実証した。
論文参考訳（メタデータ） (2024-04-12T18:21:08Z)
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)
StraIT: Non-autoregressive Generation with Stratified Image Transformer [63.158996766036736]
Stratified Image Transformer(StraIT)は、純粋な非自己回帰(NAR)生成モデルである。実験の結果,StraIT は NAR 生成を著しく改善し,既存の DM および AR 手法より優れていた。
論文参考訳（メタデータ） (2023-03-01T18:59:33Z)
Bridging Synthetic and Real Images: a Transferable and Multiple Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文参考訳（メタデータ） (2023-02-23T06:16:15Z)
DEPAS: De-novo Pathology Semantic Masks using a Generative Model [0.0]
DEPASと呼ばれるスケーラブルな生成モデルを導入し、組織構造をキャプチャし、最先端の品質の高精細なセマンティックマスクを生成する。我々は,DEPASが皮膚,前立腺,肺の3種類の臓器に対して,組織の現実的な意味マップを生成する能力を示した。
論文参考訳（メタデータ） (2023-02-13T16:48:33Z)
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)
Representation Learning for Non-Melanoma Skin Cancer using a Latent Autoencoder [0.0]
生成学習は、表現学習の強力なツールであり、バイオメディカルイメージングにおける問題に対する特定の約束を示す。生成モデルからイメージを忠実に再構築することは依然として困難であり、特に組織学的画像と同じくらい複雑である。本研究では,非メラノーマ皮膚癌の実際の画像のエンコードとデコードを改善するために,既存の2つの方法(オートエンコーダと潜在オートエンコーダ)を組み合わせる。
論文参考訳（メタデータ） (2022-09-05T06:24:58Z)
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)
Hierarchical Amortized Training for Memory-efficient High Resolution 3D GAN [52.851990439671475]
本稿では,高解像度な3D画像を生成することができる新しいエンドツーエンドGANアーキテクチャを提案する。トレーニングと推論の異なる構成を使用することで、この目標を達成する。 3次元胸郭CTと脳MRIの実験により、我々のアプローチは画像生成における最先端技術より優れていることが示された。
論文参考訳（メタデータ） (2020-08-05T02:33:04Z)
Stain Style Transfer of Histopathology Images Via Structure-Preserved Generative Learning [31.254432319814864]
本研究では,SSIM-GANとDSCSI-GANの2つのステンスタイル転送モデルを提案する。学習における構造保存指標と補助診断ネットのフィードバックを協調することにより、医療関連情報をカラー正規化画像に保存する。
論文参考訳（メタデータ） (2020-07-24T15:30:19Z)

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。