論文の概要: An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution

• arxiv url: http://arxiv.org/abs/2401.15613v7
• Date: Thu, 07 Nov 2024 07:58:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-08 19:36:11.412561
• Title: An efficient dual-branch framework via implicit self-texture enhancement for arbitrary-scale histopathology image super-resolution
• Title（参考訳）: 超解像における暗黙的自己テクスチャ強調による効率的なデュアルブランチフレームワーク
• Authors: Minghong Duan, Linhao Qu, Zhiwei Yang, Manning Wang, Chenxi Zhang, Zhijian Song,
• Abstract要約: Inlicit Self-Texture Enhancement-based dual-branch framework (ISTE) を提案する。 ISTEは、様々なスケーリング要因にわたる既存の固定スケールおよび任意のスケールのSRアルゴリズムより優れている。
• 参考スコア（独自算出の注目度）: 18.881480825169053
• License:
• Abstract: High-quality whole-slide scanning is expensive, complex, and time-consuming, thus limiting the acquisition and utilization of high-resolution histopathology images in daily clinical work. Deep learning-based single-image super-resolution (SISR) techniques provide an effective way to solve this problem. However, the existing SISR models applied in histopathology images can only work in fixed integer scaling factors, decreasing their applicability. Though methods based on implicit neural representation (INR) have shown promising results in arbitrary-scale super-resolution (SR) of natural images, applying them directly to histopathology images is inadequate because they have unique fine-grained image textures different from natural images. Thus, we propose an Implicit Self-Texture Enhancement-based dual-branch framework (ISTE) for arbitrary-scale SR of histopathology images to address this challenge. The proposed ISTE contains a feature aggregation branch and a texture learning branch. We employ the feature aggregation branch to enhance the learning of the local details for SR images while utilizing the texture learning branch to enhance the learning of high-frequency texture details. Then, we design a two-stage texture enhancement strategy to fuse the features from the two branches to obtain the SR images. Experiments on publicly available datasets, including TMA, HistoSR, and the TCGA lung cancer datasets, demonstrate that ISTE outperforms existing fixed-scale and arbitrary-scale SR algorithms across various scaling factors. Additionally, extensive experiments have shown that the histopathology images reconstructed by the proposed ISTE are applicable to downstream pathology image analysis tasks.
• Abstract（参考訳）: 高品質な全スライディングスキャンは高価で複雑で時間を要するため、日常臨床における高解像度の病理像の取得と利用が制限される。 ディープラーニングベースのシングルイメージ超解像(SISR)技術は、この問題を効果的に解決する方法を提供する。 しかし、病理画像に応用された既存のSISRモデルは、固定された整数スケーリング因子でのみ機能し、適用性は低下する。 暗黙的神経表現(INR)に基づく手法は、自然画像の任意のスケールの超解像(SR)において有望な結果を示しているが、それらを直接病理像に適用することは、自然画像とは異なる独特の微細な画像テクスチャを持つため不十分である。 そこで本研究では,この課題に対処するために,任意の大きさの病理像のSRを実現するためのImplicit Self-Texture Enhancement-based dual-branch framework (ISTE)を提案する。 提案するISTEは,特徴集約ブランチとテクスチャ学習ブランチを含む。 本研究では,SR画像の局所的詳細の学習を促進するために特徴集約部を用いて,テクスチャ学習部を利用して高頻度テクスチャ詳細の学習を強化する。 そして,2つの枝の特徴を融合させてSR画像を得るための2段階のテクスチャ強化戦略を設計する。 TMA、HistoSR、TGA肺がんデータセットを含む公開データセットの実験は、ISTEが既存の固定スケールおよび任意のスケールのSRアルゴリズムを様々なスケーリング要因で上回っていることを実証している。 さらに,提案したISTEによって再構成された病理像が下流の病理画像解析タスクに適用可能であることを,広範な実験により明らかにした。

関連論文リスト

• Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
  本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。 実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
  論文  参考訳（メタデータ） (2024-08-28T10:07:17Z)
• Realistic Extreme Image Rescaling via Generative Latent Space Learning [51.85790402171696]
  極端画像再スケーリングのためのLatent Space Based Image Rescaling (LSBIR) という新しいフレームワークを提案する。 LSBIRは、訓練済みのテキスト-画像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し、リアルなHR画像を生成する。 第1段階では、擬似非可逆エンコーダデコーダは、HR画像の潜在特徴とターゲットサイズのLR画像との双方向マッピングをモデル化する。 第2段階では、第1段階からの再構成された特徴を事前訓練された拡散モデルにより洗練し、より忠実で視覚的に喜ぶ詳細を生成する。
  論文  参考訳（メタデータ） (2024-08-17T09:51:42Z)
• Multi-Scale Texture Loss for CT denoising with GANs [0.9349653765341301]
  GAN(Generative Adversarial Networks)は、医療画像の応用を認知するための強力なフレームワークとして証明されている。 本研究は,Gray-Level-Co-occurrence Matrix (GLCM) の内在的マルチスケール特性を利用した損失関数を提案する。 また,画像から抽出したマルチスケールテクスチャ情報を動的に集約する自己認識層を導入する。
  論文  参考訳（メタデータ） (2024-03-25T11:28:52Z)
• Creating Realistic Anterior Segment Optical Coherence Tomography Images using Generative Adversarial Networks [0.0]
  Generative Adversarial Network (GAN) は、高解像度でリアルな前部セグメント光コヒーレンス・トモグラフィ(AS-OCT)画像の作成を目的としている。 我々は,142,628 AS- OCT Bスキャンを用いて,スタイルとウェーブレットをベースとしたGANを訓練した。
  論文  参考訳（メタデータ） (2023-06-24T20:48:00Z)
• Towards Arbitrary-scale Histopathology Image Super-resolution: An Efficient Dual-branch Framework based on Implicit Self-texture Enhancement [6.374541716921289]
  病理画像の超解像モデルは、固定された整数倍率でのみ機能し、限られた性能を持つ。 病理画像の任意のスケール超解像のための効率的な自己テクスチャ拡張機構を備えたデュアルブランチフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-04-09T13:38:18Z)
• Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
  病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。 核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。 提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
  論文  参考訳（メタデータ） (2023-01-24T17:54:01Z)
• Joint Learning of Deep Texture and High-Frequency Features for Computer-Generated Image Detection [24.098604827919203]
  本稿では,CG画像検出のための深いテクスチャと高周波特徴を有する共同学習戦略を提案する。 セマンティックセグメンテーションマップを生成して、アフィン変換操作を誘導する。 原画像と原画像の高周波成分の組み合わせを、注意機構を備えたマルチブランチニューラルネットワークに供給する。
  論文  参考訳（メタデータ） (2022-09-07T17:30:40Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Multimodal-Boost: Multimodal Medical Image Super-Resolution using Multi-Attention Network with Wavelet Transform [5.416279158834623]
  対応する画像分解能の喪失は、医用画像診断の全体的な性能を低下させる。 ディープラーニングベースのシングルイメージスーパーレゾリューション(SISR)アルゴリズムは、全体的な診断フレームワークに革命をもたらした。 本研究は,低周波データから高頻度情報を学習する深層マルチアテンションモジュールを用いたGAN(Generative Adversarial Network)を提案する。
  論文  参考訳（メタデータ） (2021-10-22T10:13:46Z)
• Hierarchical Conditional Flow: A Unified Framework for Image Super-Resolution and Image Rescaling [139.25215100378284]
  画像SRと画像再スケーリングのための統合フレームワークとして階層的条件フロー(HCFlow)を提案する。 HCFlowは、LR画像と残りの高周波成分の分布を同時にモデル化することにより、HRとLR画像ペア間のマッピングを学習する。 さらに性能を高めるために、知覚的損失やGAN損失などの他の損失と、トレーニングで一般的に使用される負の対数類似損失とを組み合わせる。
  論文  参考訳（メタデータ） (2021-08-11T16:11:01Z)

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。