論文の概要: Unsupervised Latent Stain Adaptation for Computational Pathology

• arxiv url: http://arxiv.org/abs/2406.19081v2
• Date: Wed, 3 Jul 2024 11:34:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-04 19:03:22.797756
• Title: Unsupervised Latent Stain Adaptation for Computational Pathology
• Title（参考訳）: コンピュータ病理学における教師なし遅延ステン適応
• Authors: Daniel Reisenbüchler, Lucas Luttner, Nadine S. Schaadt, Friedrich Feuerhake, Dorit Merhof,
• Abstract要約: スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。 我々は,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれる,すべてのステンド画像を含む人工ラベル付きと非ラベル付きデータの共同トレーニングを提案する。 本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。
• 参考スコア（独自算出の注目度）: 2.483372684394528
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In computational pathology, deep learning (DL) models for tasks such as segmentation or tissue classification are known to suffer from domain shifts due to different staining techniques. Stain adaptation aims to reduce the generalization error between different stains by training a model on source stains that generalizes to target stains. Despite the abundance of target stain data, a key challenge is the lack of annotations. To address this, we propose a joint training between artificially labeled and unlabeled data including all available stained images called Unsupervised Latent Stain Adaptation (ULSA). Our method uses stain translation to enrich labeled source images with synthetic target images in order to increase the supervised signals. Moreover, we leverage unlabeled target stain images using stain-invariant feature consistency learning. With ULSA we present a semi-supervised strategy for efficient stain adaptation without access to annotated target stain data. Remarkably, ULSA is task agnostic in patch-level analysis for whole slide images (WSIs). Through extensive evaluation on external datasets, we demonstrate that ULSA achieves state-of-the-art (SOTA) performance in kidney tissue segmentation and breast cancer classification across a spectrum of staining variations. Our findings suggest that ULSA is an important framework for stain adaptation in computational pathology.
• Abstract（参考訳）: 計算病理学では、セグメント化や組織分類などのタスクのためのディープラーニング(DL)モデルは、異なる染色技術によるドメインシフトに悩まされていることが知られている。 スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。 ターゲットのステンドデータが豊富にあるにも関わらず、重要な課題はアノテーションの欠如である。 そこで本研究では,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれるステンド画像を含む,人工ラベル付きデータと未ラベルデータの共同トレーニングを提案する。 本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。 さらに,染色不変な特徴整合性学習を用いて,ラベル付対象の染色画像を活用する。 ULSAでは,アノテートされたターゲット染色データにアクセスせずに,効率的な染色適応のための半教師付き戦略を提案する。 注目すべきは、ULSAは全スライド画像(WSI)のパッチレベル解析においてタスク非依存である。 外部データセットの広範囲な評価を通じて, ULSAは腎組織分節化および乳がん分類における最先端(SOTA)のパフォーマンスを, 染色変動のスペクトルにわたって達成することを示した。 以上の結果から,ULSAは計算病理学における染色適応の重要な枠組みであることが示唆された。

関連論文リスト

• Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
  染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。 大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:50:30Z)
• Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation [3.2386272343130127]
  染色色不変の特徴を学習するために,染色特異的増色と染色一貫性損失関数を組み合わせた新しいフレームワークを提案する。 マソンのトリクロマトクロムとH&E染色細胞と核データセットの10つの手法を比較した。 その結果,染色法は同等あるいは悪い性能を示したが,染色法や染色法では性能が向上した。
  論文  参考訳（メタデータ） (2023-11-11T12:00:44Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
  HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。 合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
  論文  参考訳（メタデータ） (2022-10-18T12:22:26Z)
• Stain-Adaptive Self-Supervised Learning for Histopathology Image Analysis [3.8073142980733]
  病理画像解析のためのSASSL法を提案する。 当社のSASSLはSSLフレームワークにドメイン・アドバイザリ・トレーニング・モジュールを統合して,さまざまな変換やスタイラスのバリエーションに対して堅牢な特徴を学習しています。 実験結果から,提案手法はモデルの特徴抽出能力を頑健に向上できることが示された。
  論文  参考訳（メタデータ） (2022-08-08T09:54:46Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Incorporating Semi-Supervised and Positive-Unlabeled Learning for Boosting Full Reference Image Quality Assessment [73.61888777504377]
  フル参照(FR)画像品質評価(IQA)は、その知覚的差異をプリズム品質基準で測定することにより、歪み画像の視覚的品質を評価する。 ラベルなしデータは、画像劣化または復元プロセスから容易に収集することができ、ラベルなしのトレーニングデータを利用してFR-IQA性能を高めることを奨励する。 本稿では, 半教師付き, 正の未ラベル学習(PU)を用いて, ラベルなしデータを活用し, オフレーヤの悪影響を軽減することを提案する。
  論文  参考訳（メタデータ） (2022-04-19T09:10:06Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。