論文の概要: DISC: Latent Diffusion Models with Self-Distillation from Separated Conditions for Prostate Cancer Grading

• arxiv url: http://arxiv.org/abs/2404.13097v1
• Date: Fri, 19 Apr 2024 06:52:57 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-23 20:28:09.491513
• Title: DISC: Latent Diffusion Models with Self-Distillation from Separated Conditions for Prostate Cancer Grading
• Title（参考訳）: DISC:前立腺癌移植における分離条件からの自己拡張を伴う潜伏拡散モデル
• Authors: Man M. Ho, Elham Ghelichkhan, Yosep Chong, Yufei Zhou, Beatrice Knudsen, Tolga Tasdizen,
• Abstract要約: 本稿では,GGマスクでガイドされたGGパターンを生成するDISC(Self-Distillation from Separated Conditions)という新しいフレームワークを紹介する。 我々は,合成タイルを有効利用し,既存モデルのがん評価性能を向上させるため,画素レベルおよびスライドレベルの前立腺がん評価のためのトレーニングフレームワークをデプロイした。 本研究は, (1) DISCにより強化されたLCMはGGパターンでより正確なタイルを生成し, 2) 合成データを取り入れたトレーニングスキームは前立腺がんのグレーディングにおけるベースラインモデルの一般化を著しく改善する。
• 参考スコア（独自算出の注目度）: 2.7478320411782775
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Latent Diffusion Models (LDMs) can generate high-fidelity images from noise, offering a promising approach for augmenting histopathology images for training cancer grading models. While previous works successfully generated high-fidelity histopathology images using LDMs, the generation of image tiles to improve prostate cancer grading has not yet been explored. Additionally, LDMs face challenges in accurately generating admixtures of multiple cancer grades in a tile when conditioned by a tile mask. In this study, we train specific LDMs to generate synthetic tiles that contain multiple Gleason Grades (GGs) by leveraging pixel-wise annotations in input tiles. We introduce a novel framework named Self-Distillation from Separated Conditions (DISC) that generates GG patterns guided by GG masks. Finally, we deploy a training framework for pixel-level and slide-level prostate cancer grading, where synthetic tiles are effectively utilized to improve the cancer grading performance of existing models. As a result, this work surpasses previous works in two domains: 1) our LDMs enhanced with DISC produce more accurate tiles in terms of GG patterns, and 2) our training scheme, incorporating synthetic data, significantly improves the generalization of the baseline model for prostate cancer grading, particularly in challenging cases of rare GG5, demonstrating the potential of generative models to enhance cancer grading when data is limited.
• Abstract（参考訳）: Latent Diffusion Models (LDMs) はノイズから高忠実度画像を生成することができ、がんグレーディングモデルのトレーニングのために病理像を拡大するための有望なアプローチを提供する。 従来の研究ではLDMを用いた高忠実度病理像が得られたが、前立腺がんのグレーディングを改善するための画像タイルの生成はまだ検討されていない。 さらに、LCMはタイルマスクによって調整された場合、タイル内の複数のがんグレードのアドミキシングを正確に生成する上で困難に直面している。 本研究では,複数のグリーソングレード(GG)を含む合成タイルを生成するために,入力タイルの画素ワイドアノテーションを活用することで,特定のLCMを訓練する。 本稿では,GGマスクでガイドされたGGパターンを生成するDISC(Self-Distillation from Separated Conditions)という新しいフレームワークを紹介する。 最後に, 合成タイルを有効利用し, 既存モデルのがん評価性能を向上させるための, 画素レベルおよびスライドレベルの前立腺がん評価のためのトレーニングフレームワークをデプロイする。 結果として、この研究は2つの領域における以前の研究を上回るものとなった。 1) DisC で強化した LDM は GG パターンでより正確なタイルを生成する。 2) 合成データを取り入れたトレーニング手法は,前立腺癌グレーティングのベースラインモデルの一般化を著しく改善し,特にまれなGG5症例では,データ制限時にがんグレーディングを向上するための生成モデルの可能性を示す。

関連論文リスト

• Stabilize the Latent Space for Image Autoregressive Modeling: A Unified Perspective [52.778766190479374]
  遅延ベース画像生成モデルは、画像生成タスクにおいて顕著な成功を収めた。 同じ遅延空間を共有するにもかかわらず、自己回帰モデルは画像生成において LDM や MIM よりもかなり遅れている。 本稿では,画像生成モデルのための遅延空間を安定化する,単純だが効果的な離散画像トークン化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-16T12:13:17Z)
• Class-Prototype Conditional Diffusion Model with Gradient Projection for Continual Learning [20.175586324567025]
  破滅的な忘れ方を減らすことは、継続的な学習における重要なハードルである。 大きな問題は、生成したデータの品質がオリジナルのものと比べて低下することである。 本稿では,ジェネレータにおける画像品質を向上させる連続学習のためのGRに基づくアプローチを提案する。
  論文  参考訳（メタデータ） (2023-12-10T17:39:42Z)
• Cancer-Net PCa-Gen: Synthesis of Realistic Prostate Diffusion Weighted Imaging Data via Anatomic-Conditional Controlled Latent Diffusion [68.45407109385306]
  カナダでは、前立腺がんは男性でもっとも一般的ながんであり、2022年のこの人口統計では、新しいがん症例の20%を占めている。 拡散強調画像(DWI)データを用いた前立腺癌診断,予後,治療計画のためのディープニューラルネットワークの開発には大きな関心が寄せられている。 本研究では,解剖学的条件制御型潜伏拡散戦略の導入により,現実的な前立腺DWIデータを生成するための潜伏拡散の有効性について検討した。
  論文  参考訳（メタデータ） (2023-11-30T15:11:03Z)
• MAM-E: Mammographic synthetic image generation with diffusion models [0.21360081064127018]
  高品質のフルフィールドデジタルマンモグラフィー生成のための拡散モデルの利用について検討する。 テキストプロンプトによって制御される高品質マンモグラフィ合成のための生成モデルのパイプラインであるMAM-Eを紹介する。
  論文  参考訳（メタデータ） (2023-11-16T11:49:49Z)
• PathLDM: Text conditioned Latent Diffusion Model for Histopathology [62.970593674481414]
  そこで我々は,高品質な病理像を生成するためのテキスト条件付き遅延拡散モデルPathLDMを紹介した。 提案手法は画像とテキストデータを融合して生成プロセスを強化する。 我々は,TCGA-BRCAデータセット上でのテキスト・ツー・イメージ生成において,SoTA FIDスコア7.64を達成し,FID30.1と最も近いテキスト・コンディショナブル・コンペティタを著しく上回った。
  論文  参考訳（メタデータ） (2023-09-01T22:08:32Z)
• Geometric Latent Diffusion Models for 3D Molecule Generation [172.15028281732737]
  生成モデル、特に拡散モデル(DM)は、特徴豊富な測地を生成する上で有望な結果を得た。 我々はGeoLDM(Geometric Latent Diffusion Models)と呼ばれる新しい3次元分子生成法を提案する。
  論文  参考訳（メタデータ） (2023-05-02T01:07:22Z)
• A Novel Self-Learning Framework for Bladder Cancer Grading Using Histopathological Images [1.244681179922733]
  組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。 組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
  論文  参考訳（メタデータ） (2021-06-25T11:04:04Z)
• SAG-GAN: Semi-Supervised Attention-Guided GANs for Data Augmentation on Medical Images [47.35184075381965]
  本稿では,GAN(Cycle-Consistency Generative Adversarial Networks)を用いた医用画像生成のためのデータ拡張手法を提案する。 提案モデルでは,正常画像から腫瘍画像を生成することができ,腫瘍画像から正常画像を生成することもできる。 本研究では,従来のデータ拡張手法と合成画像を用いた分類モデルを用いて,実画像を用いた分類モデルを訓練する。
  論文  参考訳（メタデータ） (2020-11-15T14:01:24Z)
• Gleason Grading of Histology Prostate Images through Semantic Segmentation via Residual U-Net [60.145440290349796]
  前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。 コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。 この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
  論文  参考訳（メタデータ） (2020-05-22T19:49:10Z)

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。