論文の概要: LatentArtiFusion: An Effective and Efficient Histological Artifacts Restoration Framework
- arxiv url: http://arxiv.org/abs/2407.20172v1
- Date: Mon, 29 Jul 2024 17:00:32 GMT
- ステータス: 処理完了
- システム内更新日: 2024-07-30 12:55:07.197531
- Title: LatentArtiFusion: An Effective and Efficient Histological Artifacts Restoration Framework
- Title（参考訳）: LatentArtiFusion: 効果的かつ効率的な組織学的アーティファクト復元フレームワーク
- Authors: Zhenqi He, Wenrui Liu, Minghao Yin, Kai Han,
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.525991027687084
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Histological artifacts pose challenges for both pathologists and Computer-Aided Diagnosis (CAD) systems, leading to errors in analysis. Current approaches for histological artifact restoration, based on Generative Adversarial Networks (GANs) and pixel-level Diffusion Models, suffer from performance limitations and computational inefficiencies. In this paper, we propose a novel framework, LatentArtiFusion, which leverages the latent diffusion model (LDM) to reconstruct histological artifacts with high performance and computational efficiency. Unlike traditional pixel-level diffusion frameworks, LatentArtiFusion executes the restoration process in a lower-dimensional latent space, significantly improving computational efficiency. Moreover, we introduce a novel regional artifact reconstruction algorithm in latent space to prevent mistransfer in non-artifact regions, distinguishing our approach from GAN-based methods. Through extensive experiments on real-world histology datasets, LatentArtiFusion demonstrates remarkable speed, outperforming state-of-the-art pixel-level diffusion frameworks by more than 30X. It also consistently surpasses GAN-based methods by at least 5% across multiple evaluation metrics. Furthermore, we evaluate the effectiveness of our proposed framework in downstream tissue classification tasks, showcasing its practical utility. Code is available at https://github.com/bugs-creator/LatentArtiFusion.
- Abstract（参考訳）: 組織学的アーティファクトは、病理学者とコンピュータ支援診断(CAD)システムの両方に課題を提起し、分析の誤りを引き起こす。
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)を応用した新しいフレームワークであるLatntArtiFusionを提案し,高い性能と計算効率で組織学的アーティファクトを再構築する。
従来のピクセルレベルの拡散フレームワークとは異なり、LatentArtiFusionは低次元の潜在空間で復元処理を実行し、計算効率を著しく向上させる。
さらに,非アーティファクト領域におけるミストランスファーを防止するため,非アーティファクト領域における新しい地域アーティファクト再構築アルゴリズムを導入する。
実世界のヒストロジーデータセットに関する広範な実験を通じて、LatentArtiFusionは驚くべき速度を示し、最先端のピクセルレベルの拡散フレームワークを30倍以上に向上させる。
また、複数の評価指標に対して、GANベースのメソッドを少なくとも5%以上上回っている。
さらに,下流組織分類作業におけるフレームワークの有効性を評価し,その実用性を示した。
コードはhttps://github.com/bugs-creator/LatentArtiFusionで入手できる。
関連論文リスト
- GAN-Based Architecture for Low-dose Computed Tomography Imaging Denoising [1.0138723409205497]
GAN(Generative Adversarial Networks)は低線量CT(LDCT)領域における革命的要素として浮上している。
本総説では,GANに基づくLDCT復調技術の急速な進歩を概観する。
論文 参考訳（メタデータ） (2024-11-14T15:26:10Z) - Efficient Diffusion as Low Light Enhancer [63.789138528062225]
RATR(Reflectance-Aware Trajectory Refinement)は、イメージの反射成分を用いて教師の軌跡を洗練するための、シンプルで効果的なモジュールである。
textbfReDDiT (textbfDistilled textbfTrajectory) は低照度画像強調(LLIE)に適した効率的で柔軟な蒸留フレームワークである。
論文 参考訳（メタデータ） (2024-10-16T08:07:18Z) - LoRKD: Low-Rank Knowledge Decomposition for Medical Foundation Models [59.961172635689664]
知識分解」は、特定の医療課題のパフォーマンス向上を目的としている。
我々はLow-Rank Knowledge Decomposition(LoRKD)という新しいフレームワークを提案する。
LoRKDは、低ランクのエキスパートモジュールと効率的な知識分離畳み込みを組み込むことで、グラデーションを異なるタスクから明確に分離する。
論文 参考訳（メタデータ） (2024-09-29T03:56:21Z) - DPER: Diffusion Prior Driven Neural Representation for Limited Angle and Sparse View CT Reconstruction [45.00528216648563]
Diffusion Prior Driven Neural Representation (DPER) は、異常に不適切なCT再構成逆問題に対処するために設計された、教師なしのフレームワークである。
DPERは、半二次分割法(HQS)アルゴリズムを採用し、逆問題からデータ忠実度とサブプロブレム前の分布に分解する。
LACTにおけるDPERの性能評価と2つの公開データセットを用いた超SVCT再構成に関する総合的な実験を行った。
論文 参考訳（メタデータ） (2024-04-27T12:55:13Z) - DiAD: A Diffusion-based Framework for Multi-class Anomaly Detection [55.48770333927732]
本稿では,拡散型異常検出(Difusion-based Anomaly Detection, DAD)フレームワークを提案する。
画素空間オートエンコーダ、安定拡散の復調ネットワークに接続する潜在空間セマンティックガイド(SG)ネットワーク、特徴空間事前学習機能抽出器から構成される。
MVTec-ADとVisAデータセットの実験は、我々のアプローチの有効性を実証している。
論文 参考訳（メタデータ） (2023-12-11T18:38:28Z) - Domain-Adaptive Learning: Unsupervised Adaptation for Histology Images
with Improved Loss Function Combination [3.004632712148892]
本稿では,H&E染色組織像を対象とした非教師なし領域適応(UDA)のための新しいアプローチを提案する。
本手法では, 組織像に特有の課題に対処するために, 慎重に選択された既存の損失関数とともに, 新たな損失関数を提案する。
提案手法は, 組織像の最先端技術を超え, 精度, 堅牢性, 一般化の面で広く評価されている。
論文 参考訳（メタデータ） (2023-09-29T12:11:16Z) - Diffusion Models for Image Restoration and Enhancement -- A
Comprehensive Survey [96.99328714941657]
本稿では,近年の拡散モデルに基づく画像復元手法について概観する。
我々は、赤外線とブラインド/現実世界の両方で拡散モデルを用いて、革新的なデザインを分類し、強調する。
本稿では,拡散モデルに基づくIRの今後の研究に向けた5つの可能性と課題を提案する。
論文 参考訳（メタデータ） (2023-08-18T08:40:38Z) - Artifact Restoration in Histology Images with Diffusion Probabilistic
Models [10.016731839549259]
組織学的全スライド画像(WSI)は通常、組織の折り畳みや気泡などの人工物によって妥協される。
既存のアーティファクト画像復元手法はGAN(Generative Adversarial Networks)に限られている
組織学的アーティファクト修復(ArtiFusion)のための拡散確率モデルの最初の試みを行う。
論文 参考訳（メタデータ） (2023-07-26T15:50:02Z) - HOSSnet: an Efficient Physics-Guided Neural Network for Simulating Crack
Propagation [4.594946929826274]
本研究では, ひび割れの空間的・時間的変化を正確に再現するための新しいデータ駆動手法を提案する。
我々は, 長期再建における破壊伝播の調整に, 物理的制約を活用している。
提案手法は, 画素単位の再構成誤差と構造的類似性の観点から, 高忠実度破壊データを空間的, 時間的に再構成することができる。
論文 参考訳（メタデータ） (2023-06-14T23:39:37Z) - Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。
提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。
提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文 参考訳（メタデータ） (2023-03-17T18:00:27Z) - 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)
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。