論文の概要: USegMix: Unsupervised Segment Mix for Efficient Data Augmentation in Pathology Images

• arxiv url: http://arxiv.org/abs/2502.16160v1
• Date: Sat, 22 Feb 2025 09:28:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-25 15:54:25.577219
• Title: USegMix: Unsupervised Segment Mix for Efficient Data Augmentation in Pathology Images
• Title（参考訳）: USegMix: 病理画像における効率的なデータ拡張のための教師なしセグメンテーションミックス
• Authors: Jiamu Wang, Jin Tae Kwak,
• Abstract要約: 我々はUSegMixと呼ばれる病理画像の効率的なデータ拡張手法を提案する。 第1フェーズでは、UegMixは、自動化された教師なしの方法で組織セグメントのプールを構築する。 第2フェーズでは、USegMixはターゲット画像の候補セグメントを選択し、セグメントプールから類似セグメントに置き換え、事前訓練された拡散モデルを用いてそれらをブレンドする。
• 参考スコア（独自算出の注目度）: 2.6954348706500766
• License:
• Abstract: In computational pathology, researchers often face challenges due to the scarcity of labeled pathology datasets. Data augmentation emerges as a crucial technique to mitigate this limitation. In this study, we introduce an efficient data augmentation method for pathology images, called USegMix. Given a set of pathology images, the proposed method generates a new, synthetic image in two phases. In the first phase, USegMix constructs a pool of tissue segments in an automated and unsupervised manner using superpixels and the Segment Anything Model (SAM). In the second phase, USegMix selects a candidate segment in a target image, replaces it with a similar segment from the segment pool, and blends them by using a pre-trained diffusion model. In this way, USegMix can generate diverse and realistic pathology images. We rigorously evaluate the effectiveness of USegMix on two pathology image datasets of colorectal and prostate cancers. The results demonstrate improvements in cancer classification performance, underscoring the substantial potential of USegMix for pathology image analysis.
• Abstract（参考訳）: 計算病理学では、ラベル付き病理学データセットが不足しているため、研究者はしばしば課題に直面している。 データ拡張は、この制限を緩和する重要なテクニックとして現れます。 本研究では,USegMixと呼ばれる病理画像の効率的なデータ拡張手法を提案する。 病理画像のセットが与えられた場合, 提案手法は2段階の合成画像を生成する。 第1フェーズでは、USegMixはスーパーピクセルとSegment Anything Model(SAM)を使用して、自動化された教師なしの方法で組織セグメントのプールを構築する。 第2フェーズでは、USegMixはターゲット画像の候補セグメントを選択し、セグメントプールから類似セグメントに置き換え、事前訓練された拡散モデルを用いてそれらをブレンドする。 このようにして、USegMixは多様なリアルな病理画像を生成することができる。 大腸癌と前立腺癌の2つの病理画像データセットに対するUSegMixの有効性を厳格に評価した。 以上の結果から,病理画像解析におけるUSegMixの有用性が示唆された。

関連論文リスト

• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [39.94162291765236]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• DiffMIC: Dual-Guidance Diffusion Network for Medical Image Classification [32.67098520984195]
  一般医用画像分類のための拡散モデル(DiffMIC)を提案する。 実験の結果,DiffMICは最先端の手法よりも有意に優れていた。
  論文  参考訳（メタデータ） (2023-03-19T09:15:45Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• MedSegDiff-V2: Diffusion based Medical Image Segmentation with Transformer [53.575573940055335]
  我々は、MedSegDiff-V2と呼ばれるトランスフォーマーベースの拡散フレームワークを提案する。 画像の異なる20種類の画像分割作業において,その有効性を検証する。
  論文  参考訳（メタデータ） (2023-01-19T03:42:36Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• CarveMix: A Simple Data Augmentation Method for Brain Lesion Segmentation [38.785081940984135]
  我々はCNNに基づく脳病変分類のための単純なデータ拡張手法であるCarveMixを提案する。 本手法は,他の単純なデータ拡張手法と比較してセグメンテーション精度を向上する。
  論文  参考訳（メタデータ） (2021-08-16T03:54:52Z)
• Malignancy Prediction and Lesion Identification from Clinical Dermatological Images [65.1629311281062]
  臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。 まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
  論文  参考訳（メタデータ） (2021-04-02T20:52:05Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Image Translation for Medical Image Generation -- Ischemic Stroke Lesions [0.0]
  注釈付き病理を持つ合成データベースは、必要なトレーニングデータを提供することができる。 画像から画像への変換モデルを訓練し、脳卒中病変を伴わない脳の容積の磁気共鳴像を合成する。 臨床例は10例, 50例に過ぎなかったが, 総合的なデータ拡張は有意な改善をもたらすことが示唆された。
  論文  参考訳（メタデータ） (2020-10-05T09:12:28Z)
• Co-Heterogeneous and Adaptive Segmentation from Multi-Source and Multi-Phase CT Imaging Data: A Study on Pathological Liver and Lesion Segmentation [48.504790189796836]
  我々は,新しいセグメンテーション戦略,コヘテロジネティック・アダプティブセグメンテーション(CHASe)を提案する。 本稿では,外見に基づく半スーパービジョン,マスクに基づく対向ドメイン適応,擬似ラベルを融合した多目的フレームワークを提案する。 CHASeは4.2% sim 9.4%$の範囲で、病理的な肝臓マスクDice-Sorensen係数をさらに改善することができる。
  論文  参考訳（メタデータ） (2020-05-27T06:58:39Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。