論文の概要: Spatial-temporal Hierarchical Reinforcement Learning for Interpretable Pathology Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2406.18310v1
• Date: Wed, 26 Jun 2024 12:50:10 GMT
• ステータス: 処理完了
• システム内更新日: 2024-06-27 13:29:21.765271
• Title: Spatial-temporal Hierarchical Reinforcement Learning for Interpretable Pathology Image Super-Resolution
• Title（参考訳）: 超解像解析のための時空間階層型強化学習
• Authors: Wenting Chen, Jie Liu, Tommy W. S. Chow, Yixuan Yuan,
• Abstract要約: 空間的階層的階層的強化学習(STAR-RL)と呼ばれる最初の階層的強化学習フレームワークを提案する。 我々は、SR問題を解釈操作のマルコフ決定プロセスとして再構成し、階層的回復機構をパッチレベルで適用する。 異なるカーネルによる医用画像の劣化実験の結果,STAR-RLの有効性が示された。
• 参考スコア（独自算出の注目度）: 32.50167571789571
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathology image are essential for accurately interpreting lesion cells in cytopathology screening, but acquiring high-resolution digital slides requires specialized equipment and long scanning times. Though super-resolution (SR) techniques can alleviate this problem, existing deep learning models recover pathology image in a black-box manner, which can lead to untruthful biological details and misdiagnosis. Additionally, current methods allocate the same computational resources to recover each pixel of pathology image, leading to the sub-optimal recovery issue due to the large variation of pathology image. In this paper, we propose the first hierarchical reinforcement learning framework named Spatial-Temporal hierARchical Reinforcement Learning (STAR-RL), mainly for addressing the aforementioned issues in pathology image super-resolution problem. We reformulate the SR problem as a Markov decision process of interpretable operations and adopt the hierarchical recovery mechanism in patch level, to avoid sub-optimal recovery. Specifically, the higher-level spatial manager is proposed to pick out the most corrupted patch for the lower-level patch worker. Moreover, the higher-level temporal manager is advanced to evaluate the selected patch and determine whether the optimization should be stopped earlier, thereby avoiding the over-processed problem. Under the guidance of spatial-temporal managers, the lower-level patch worker processes the selected patch with pixel-wise interpretable actions at each time step. Experimental results on medical images degraded by different kernels show the effectiveness of STAR-RL. Furthermore, STAR-RL validates the promotion in tumor diagnosis with a large margin and shows generalizability under various degradations. The source code is available at https://github.com/CUHK-AIM-Group/STAR-RL.
• Abstract（参考訳）: 病理画像は、細胞病理検査における病変細胞を正確に解釈するために必須であるが、高解像度のデジタルスライドを取得するには、特別な装置と長い走査時間が必要である。 超解像(SR)技術はこの問題を軽減することができるが、既存のディープラーニングモデルはブラックボックス方式で病理像を復元する。 さらに、現在の方法では、同じ計算資源を割り当てて、病理画像の各ピクセルを復元する。 本稿では,画像超解像問題における上記の問題に対処するために,空間的階層的階層的強化学習(Spatial-Temporal Hierarchical Reinforcement Learning, STAR-RL)と呼ばれる最初の階層的強化学習フレームワークを提案する。 我々は,SR問題を解釈操作のマルコフ決定プロセスとして再構成し,階層的回復機構をパッチレベルで適用し,準最適回復を回避する。 具体的には、より高レベルな空間マネージャを提案し、低レベルなパッチワーカーに対して最も破損したパッチを選択する。 さらに、高レベルの時間的マネージャが進み、選択したパッチを評価し、最適化を早期に停止すべきかどうかを判断し、オーバープロセスの問題を回避する。 空間的時間的マネージャの指導の下で、下層パッチワーカは、選択したパッチを各ステップでピクセル単位で解釈可能なアクションで処理する。 異なるカーネルによる医用画像の劣化実験の結果,STAR-RLの有効性が示された。 さらに,STAR-RLは悪性腫瘍の悪性度を高いマージンで評価し,各種劣化下での一般化性を示した。 ソースコードはhttps://github.com/CUHK-AIM-Group/STAR-RLで公開されている。

関連論文リスト

• Histo-Diffusion: A Diffusion Super-Resolution Method for Digital Pathology with Comprehensive Quality Assessment [6.350679043444348]
  ヒスト拡散(Histo-Diffusion)は、デジタル病理学における超解像の生成と評価のために特別に設計された拡散法である。 病理組織学の復元モジュールと、高品質な画像を生成するための制御可能な拡散モジュールを含む。
  論文  参考訳（メタデータ） (2024-08-27T17:31:00Z)
• Low-Resolution Chest X-ray Classification via Knowledge Distillation and Multi-task Learning [46.75992018094998]
  胸部X線(CXR)を低分解能で診断する上での課題について検討した。 高分解能CXRイメージングは、結節や不透明など、小さなが重要な異常を識別するために重要である。 本稿では,MLCAK(Multilevel Collaborative Attention Knowledge)法を提案する。
  論文  参考訳（メタデータ） (2024-05-22T06:10:54Z)
• Super resolution of histopathological frozen sections via deep learning preserving tissue structure [0.0]
  病理組織学的凍結切片の超解像に対する新しいアプローチを提案する。 我々のディープラーニングアーキテクチャは、補間された画像と実際の画像の間の誤りを学習することに焦点を当てている。 既存の手法と比較して、構造類似度指数 (SSIM) とピーク信号-雑音比 (PSNR) の面で大幅に改善された。 提案手法は, 画像試料の高分解能を保ちながら, より高速な凍結断面積撮影を実現する大きな可能性を秘めている。
  論文  参考訳（メタデータ） (2023-10-17T09:52:54Z)
• Patched Diffusion Models for Unsupervised Anomaly Detection in Brain MRI [55.78588835407174]
  本稿では,正常脳解剖のパッチベース推定法として拡散モデルの生成タスクを再構築する手法を提案する。 腫瘍と多発性硬化症について検討し,既存のベースラインと比較して25.1%の改善がみられた。
  論文  参考訳（メタデータ） (2023-03-07T09:40:22Z)
• PCRLv2: A Unified Visual Information Preservation Framework for Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
  本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。 また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。 提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
  論文  参考訳（メタデータ） (2023-01-02T17:47:27Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Automated SSIM Regression for Detection and Quantification of Motion Artefacts in Brain MR Images [54.739076152240024]
  磁気共鳴脳画像における運動アーチファクトは重要な問題である。 MR画像の画質評価は,臨床診断に先立って基本的である。 構造類似度指数(SSIM)回帰に基づく自動画像品質評価法が提案されている。
  論文  参考訳（メタデータ） (2022-06-14T10:16:54Z)
• 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)
• Deep Learning Approach for Hyperspectral Image Demosaicking, Spectral Correction and High-resolution RGB Reconstruction [3.0478210530038443]
  教師付き学習手法を用いたハイパースペクトル画像のスナップショット化のための深層学習に基づく画像復号アルゴリズムを提案する。 医用画像が公開されていないため,既存の医用画像データセットからのスナップショット画像をシミュレートする合成画像生成手法が提案されている。 得られたデシック画像は定量的かつ質的に評価され、画像品質の明確な改善が示される。
  論文  参考訳（メタデータ） (2021-09-03T09:50:03Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)

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。