論文の概要: Unlocking the Potential of Digital Pathology: Novel Baselines for Compression
- arxiv url: http://arxiv.org/abs/2412.13137v1
- Date: Tue, 17 Dec 2024 18:04:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-18 13:57:24.484928
- Title: Unlocking the Potential of Digital Pathology: Novel Baselines for Compression
- Title(参考訳): デジタル病の可能性を解き明かす : 圧縮のための新しい基礎
- Authors: Maximilian Fischer, Peter Neher, Peter Schüffler, Sebastian Ziegler, Shuhan Xiao, Robin Peretzke, David Clunie, Constantin Ulrich, Michael Baumgartner, Alexander Muckenhuber, Silvia Dias Almeida, Michael Götz, Jens Kleesiek, Marco Nolden, Rickmer Braren, Klaus Maier-Hein,
- Abstract要約: 病的全スライド画像(WSI)における色とテクスチャの相違
ディープラーニングモデルは、WSIのさらなる圧縮のためにJPEG-XLやWebPのような従来の圧縮方式よりも優れた知覚品質のために微調整されている。
本研究は、WSIにおける損失圧縮スキームの評価のための新しい知見を提供し、損失圧縮スキームの統一的な評価を奨励し、デジタル病理の臨床的取り込みを加速させる。
- 参考スコア(独自算出の注目度): 31.13721473800084
- License:
- Abstract: Digital pathology offers a groundbreaking opportunity to transform clinical practice in histopathological image analysis, yet faces a significant hurdle: the substantial file sizes of pathological Whole Slide Images (WSI). While current digital pathology solutions rely on lossy JPEG compression to address this issue, lossy compression can introduce color and texture disparities, potentially impacting clinical decision-making. While prior research addresses perceptual image quality and downstream performance independently of each other, we jointly evaluate compression schemes for perceptual and downstream task quality on four different datasets. In addition, we collect an initially uncompressed dataset for an unbiased perceptual evaluation of compression schemes. Our results show that deep learning models fine-tuned for perceptual quality outperform conventional compression schemes like JPEG-XL or WebP for further compression of WSI. However, they exhibit a significant bias towards the compression artifacts present in the training data and struggle to generalize across various compression schemes. We introduce a novel evaluation metric based on feature similarity between original files and compressed files that aligns very well with the actual downstream performance on the compressed WSI. Our metric allows for a general and standardized evaluation of lossy compression schemes and mitigates the requirement to independently assess different downstream tasks. Our study provides novel insights for the assessment of lossy compression schemes for WSI and encourages a unified evaluation of lossy compression schemes to accelerate the clinical uptake of digital pathology.
- Abstract(参考訳): デジタル病理学は、病理画像解析において臨床実践を変革する画期的な機会を提供するが、重要なハードルに直面している: 病理全体スライド画像(WSI)のファイルサイズ。
現在のデジタル病理ソリューションでは、この問題を解決するためにJPEG圧縮が欠落しているが、色とテクスチャの相違が生じ、臨床的な意思決定に影響を及ぼす可能性がある。
従来の研究では、知覚的画像品質と下流性能は互いに独立して扱うが、4つの異なるデータセットに対して、知覚的タスク品質と下流タスク品質の圧縮スキームを共同で評価する。
さらに、圧縮スキームの偏見のない知覚的評価のための、当初圧縮されていないデータセットを収集する。
提案手法は, JPEG-XL や WebP などの従来の圧縮方式よりも優れた品質のディープラーニングモデルにより, WSI のさらなる圧縮を実現していることを示す。
しかし、トレーニングデータに存在する圧縮アーティファクトに対して有意なバイアスを示し、様々な圧縮スキームの一般化に苦慮している。
圧縮されたWSIの実際のダウンストリーム性能とよく一致したオリジナルのファイルと圧縮されたファイルの特徴的類似性に基づく新しい評価基準を提案する。
我々の測定基準は、損失のある圧縮スキームの汎用的および標準化された評価を可能にし、異なる下流タスクを独立に評価する要求を緩和する。
本研究は、WSIにおける損失圧縮スキームの評価のための新しい知見を提供し、損失圧縮スキームの統一的な評価を奨励し、デジタル病理の臨床的取り込みを加速させる。
関連論文リスト
- Learned Image Compression for HE-stained Histopathological Images via Stain Deconvolution [33.69980388844034]
本稿では,一般的なJPEGアルゴリズムがさらなる圧縮に適していないことを示す。
Stain Quantized Latent Compression, a novel DL based histopathology data compression approach。
提案手法はJPEGのような従来の手法と比較して,下流タスクの分類において優れた性能を示すことを示す。
論文 参考訳(メタデータ) (2024-06-18T13:47:17Z) - Semantic Ensemble Loss and Latent Refinement for High-Fidelity Neural Image Compression [58.618625678054826]
本研究は、最適な視覚的忠実度のために設計された強化されたニューラル圧縮手法を提案する。
我々は,洗練されたセマンティック・アンサンブル・ロス,シャルボニエ・ロス,知覚的損失,スタイル・ロス,非バイナリ・ディバイザ・ロスを組み込んだモデルを構築した。
実験により,本手法は神経画像圧縮の統計的忠実度を著しく向上させることが示された。
論文 参考訳(メタデータ) (2024-01-25T08:11:27Z) - Transferable Learned Image Compression-Resistant Adversarial Perturbations [66.46470251521947]
敵対的攻撃は容易に画像分類システムを破壊し、DNNベースの認識タスクの脆弱性を明らかにする。
我々は、学習した画像圧縮機を前処理モジュールとして利用する画像分類モデルをターゲットにした新しいパイプラインを提案する。
論文 参考訳(メタデータ) (2024-01-06T03:03:28Z) - CompaCT: Fractal-Based Heuristic Pixel Segmentation for Lossless Compression of High-Color DICOM Medical Images [0.0]
医用画像は、医師による正確な分析のために、ピクセル単位の12ビットの高色深度を必要とする。
フィルタリングによる画像の標準圧縮はよく知られているが、具体化されていない実装のため、医療領域ではまだ最適ではない。
本研究では,動的に拡張されたデータ処理のための画素濃度の空間的特徴とパターンをターゲットとした医用画像圧縮アルゴリズムCompaCTを提案する。
論文 参考訳(メタデータ) (2023-08-24T21:43:04Z) - Machine Perception-Driven Image Compression: A Layered Generative
Approach [32.23554195427311]
階層型生成画像圧縮モデルを提案する。
タスクに依存しない学習に基づく圧縮モデルを提案し、様々な圧縮されたドメインベースの分析タスクを効果的にサポートする。
圧縮比、再構成画像品質、下流知覚性能の最良のバランス点を得るために、共同最適化スケジュールを採用する。
論文 参考訳(メタデータ) (2023-04-14T02:12:38Z) - Estimating the Resize Parameter in End-to-end Learned Image Compression [50.20567320015102]
本稿では,最近の画像圧縮モデルの速度歪みトレードオフをさらに改善する検索自由化フレームワークについて述べる。
提案手法により,Bjontegaard-Deltaレート(BD-rate)を最大10%向上させることができる。
論文 参考訳(メタデータ) (2022-04-26T01:35:02Z) - Implicit Neural Representations for Image Compression [103.78615661013623]
Inlicit Neural Representations (INRs) は、様々なデータ型の新規かつ効果的な表現として注目されている。
量子化、量子化を考慮した再学習、エントロピー符号化を含むINRに基づく最初の包括的圧縮パイプラインを提案する。
我々は、INRによるソース圧縮に対する我々のアプローチが、同様の以前の作業よりも大幅に優れていることに気付きました。
論文 参考訳(メタデータ) (2021-12-08T13:02:53Z) - Analyzing and Mitigating JPEG Compression Defects in Deep Learning [69.04777875711646]
本稿では,JPEG圧縮が共通タスクやデータセットに与える影響を統一的に検討する。
高圧縮の一般的なパフォーマンス指標には大きなペナルティがあることが示される。
論文 参考訳(メタデータ) (2020-11-17T20:32:57Z) - Discernible Image Compression [124.08063151879173]
本稿では、外観と知覚の整合性の両方を追求し、圧縮画像を作成することを目的とする。
エンコーダ・デコーダ・フレームワークに基づいて,事前学習したCNNを用いて,オリジナル画像と圧縮画像の特徴を抽出する。
ベンチマーク実験により,提案手法を用いて圧縮した画像は,その後の視覚認識・検出モデルでもよく認識できることが示された。
論文 参考訳(メタデータ) (2020-02-17T07:35:08Z)
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。