論文の概要: F2FLDM: Latent Diffusion Models with Histopathology Pre-Trained Embeddings for Unpaired Frozen Section to FFPE Translation

• arxiv url: http://arxiv.org/abs/2404.12650v1
• Date: Fri, 19 Apr 2024 06:32:21 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-22 16:05:28.714346
• Title: F2FLDM: Latent Diffusion Models with Histopathology Pre-Trained Embeddings for Unpaired Frozen Section to FFPE Translation
• Title（参考訳）: F2FLDM:未熟凍結部における病理組織学的埋入法による後期拡散モデルからFFPE翻訳
• Authors: Man M. Ho, Shikha Dubey, Yosep Chong, Beatrice Knudsen, Tolga Tasdizen,
• Abstract要約: 凍結切片法(FS法)は急速かつ効率的な方法であり, 手術中の病理医の評価のためのスライド作成に15～30分しかかからない。 FSプロセスは、折り畳みや氷結晶効果のようなアーティファクトや歪みをしばしば導入する。 これらのアーティファクトは、高品質なホルマリン固定パラフィン埋め込み(FFPE)スライドには欠落しており、準備には2～3日を要する。 FS画像の復元性を高めるために, LDMと病理組織学的プレトレーニングエンベディングを組み合わせた新しいアプローチを提案する。
• 参考スコア（独自算出の注目度）: 2.435021773579434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Frozen Section (FS) technique is a rapid and efficient method, taking only 15-30 minutes to prepare slides for pathologists' evaluation during surgery, enabling immediate decisions on further surgical interventions. However, FS process often introduces artifacts and distortions like folds and ice-crystal effects. In contrast, these artifacts and distortions are absent in the higher-quality formalin-fixed paraffin-embedded (FFPE) slides, which require 2-3 days to prepare. While Generative Adversarial Network (GAN)-based methods have been used to translate FS to FFPE images (F2F), they may leave morphological inaccuracies with remaining FS artifacts or introduce new artifacts, reducing the quality of these translations for clinical assessments. In this study, we benchmark recent generative models, focusing on GANs and Latent Diffusion Models (LDMs), to overcome these limitations. We introduce a novel approach that combines LDMs with Histopathology Pre-Trained Embeddings to enhance restoration of FS images. Our framework leverages LDMs conditioned by both text and pre-trained embeddings to learn meaningful features of FS and FFPE histopathology images. Through diffusion and denoising techniques, our approach not only preserves essential diagnostic attributes like color staining and tissue morphology but also proposes an embedding translation mechanism to better predict the targeted FFPE representation of input FS images. As a result, this work achieves a significant improvement in classification performance, with the Area Under the Curve rising from 81.99% to 94.64%, accompanied by an advantageous CaseFD. This work establishes a new benchmark for FS to FFPE image translation quality, promising enhanced reliability and accuracy in histopathology FS image analysis. Our work is available at https://minhmanho.github.io/f2f_ldm/.
• Abstract（参考訳）: 凍結切開法(FS)は急速かつ効率的な方法であり、手術中の病理医の評価のためのスライドの準備に15～30分しかかからず、さらなる外科的介入の即時決定を可能にする。 しかし、FSプロセスは折り畳みや氷結晶効果のようなアーティファクトや歪みをしばしば導入する。 対照的に、これらのアーティファクトと歪みは、高品質なホルマリン固定パラフィン埋め込み(FFPE)スライドには欠落しており、準備には2～3日を要する。 Generative Adversarial Network (GAN) ベースの手法は、FSからFFPEへの変換に用いられているが、FSアーティファクトの残存や新しいアーティファクトの導入により、これらの翻訳の質が低下する可能性がある。 本研究では、これらの制約を克服するために、GANとLatent Diffusion Models(LDM)に着目した最近の生成モデルをベンチマークする。 FS画像の復元性を高めるために, LDMと病理組織学的プレトレーニングエンベディングを組み合わせた新しいアプローチを提案する。 本フレームワークは,テキストとプレトレーニングド埋め込みの両方で条件付きLDMを利用して,FSとFFPEの病理像の有意義な特徴を学習する。 本手法では, カラー染色や組織形態などの重要な診断属性を保存するだけでなく, 入力FS画像のFFPE表現をより正確に予測するための埋め込み翻訳機構を提案する。 その結果、この研究は分類性能を大幅に改善し、Area Under the Curveは81.99%から94.64%に上昇した。 この研究は、FSからFFPEへの画像翻訳品質の新たなベンチマークを確立し、FS画像解析における信頼性と精度の向上を約束する。 私たちの作品はhttps://minhmanho.github.io/f2f_ldm/で公開されています。

関連論文リスト

• Fundus image enhancement through direct diffusion bridges [44.31666331817371]
  直接拡散ブリッジに基づく基礎画像強調手法であるFD3を提案する。 まず, 眼科医による人体フィードバックループによる合成前方モデルを提案する。 我々は,スタンドアローン手法として非常に有効である,堅牢で柔軟な拡散に基づく画像強調ネットワークを訓練する。
  論文  参考訳（メタデータ） (2024-09-19T00:26:14Z)
• LPUWF-LDM: Enhanced Latent Diffusion Model for Precise Late-phase UWF-FA Generation on Limited Dataset [8.612128994023832]
  UWF-FA(Ultra-Wide-Field Fluorescein Angiography)は、フルオレセインナトリウムを用いた眼疾患の正確な同定を可能にする。 既存の研究では、UWF-SLO(Ultra-Wide-Phase Scanning Laser Ophthalmoscopy)からUWF-FAを生成する方法が開発されている。 高品質後期UWF-FAの生成を妨げる2つの主要な課題:UWF-SLOと早期・後期UWF-FAデータセットの欠如と病変部位および潜在的な血液漏れ領域における現実的な生成の必要性
  論文  参考訳（メタデータ） (2024-09-01T14:09:00Z)
• 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)
• Leveraging Pre-trained Models for FF-to-FFPE Histopathological Image Translation [6.108290302640328]
  Hematoxylin and Eosin (H&E) slides in histopathology is Formalin-Fixed Paraffin-Embedded (FFPE) and Fresh Frozen (FF) FFPEスライドは高品質な病理像を提供するが、労働集約的な取得プロセスを必要とする。 本研究の目的は,FFPE画像からFFPE画像へ変換することで,診断目的の画像品質を向上させることである。 TCGA-NSCLCデータセットを用いたFF-to-FFPE翻訳実験により,提案手法が既存の手法より優れていることを示す。
  論文  参考訳（メタデータ） (2024-06-26T04:12:34Z)
• CriDiff: Criss-cross Injection Diffusion Framework via Generative Pre-train for Prostate Segmentation [60.61972883059688]
  CridiffはCrisscross Injection Strategy(CIS)とGenerative Pre-train(GP)アプローチによる2段階の機能注入フレームワークである。 CISでは,複数レベルのエッジ特徴と非エッジ特徴を効果的に学習するために,並列コンディショナーを2つ提案した。 GPアプローチは、追加パラメータを追加することなく、画像特徴と拡散モデルとの矛盾を緩和する。
  論文  参考訳（メタデータ） (2024-06-20T10:46:50Z)
• 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)
• MS Lesion Segmentation: Revisiting Weighting Mechanisms for Federated Learning [92.91544082745196]
  フェデレートラーニング(FL)は医用画像解析に広く用いられている。 FLのパフォーマンスは、多発性硬化症(MS)病変セグメンテーションタスクに制限される。 2つの効果的な再重み付け機構によるFLMS病変分割フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-05-03T14:06:03Z)
• Mutual Contrastive Learning to Disentangle Whole Slide Image Representations for Glioma Grading [10.65788461379405]
  全スライド画像(WSI)は,腫瘍の組織学的悪性度評価とグレーディングに有用な表現型情報を提供する。 最も一般的に使用されるWSIは、ホルマリン固定パラフィン埋め込み(FFPE)と凍結セクションに由来する。 そこで本研究では,FFPEと凍結部を統合し,グリオーマグレーディングのためのモダリティ表現を歪曲する相互コントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2022-03-08T11:08:44Z)
• Deep Learning-based Frozen Section to FFPE Translation [4.221354566366119]
  凍結切片 (FS) は外科手術中の組織を顕微鏡的に評価する方法である。 FSは、核の氷結晶、圧縮、切断人工物などの誤解を招く人工構造を導入する傾向にある。 凍結切断された全スライド画像(FS-WSI)を全スライド型FFPE画像に数分で変換することにより,FS画像の品質を向上させる人工知能(AI)手法を提案する。
  論文  参考訳（メタデータ） (2021-07-25T11:32:57Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)
• Retinopathy of Prematurity Stage Diagnosis Using Object Segmentation and Convolutional Neural Networks [68.96150598294072]
  未熟児網膜症(英: Retinopathy of Prematurity、ROP)は、主に体重の低い未熟児に影響を及ぼす眼疾患である。 網膜の血管の増殖を招き、視力喪失を招き、最終的には網膜剥離を招き、失明を引き起こす。 近年,ディープラーニングを用いて診断を自動化する試みが盛んに行われている。 本稿では,従来のモデルの成功を基盤として,オブジェクトセグメンテーションと畳み込みニューラルネットワーク(CNN)を組み合わせた新しいアーキテクチャを開発する。 提案システムでは,まず対象分割モデルを訓練し,画素レベルでの区切り線を識別し,その結果のマスクを追加の"カラー"チャネルとして付加する。
  論文  参考訳（メタデータ） (2020-04-03T14:07:41Z)

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。