論文の概要: Finer Disentanglement of Aleatoric Uncertainty Can Accelerate Chemical Histopathology Imaging

• arxiv url: http://arxiv.org/abs/2502.20532v1
• Date: Thu, 27 Feb 2025 21:36:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-03 13:42:07.186594
• Title: Finer Disentanglement of Aleatoric Uncertainty Can Accelerate Chemical Histopathology Imaging
• Title（参考訳）: Aleatoric uncertainty can Accelerate Chemical Histopathology Imaging
• Authors: Ji-Hun Oh, Kianoush Falahkheirkhah, Rohit Bhargava,
• Abstract要約: データ取得速度は、スムーズな臨床移行の制限要因であり続けている。 本稿では,まず組織全体の低情報(LI)含有量を素早くスキャンし,アレータリック不確実性(AU)の高い領域を同定し,高い情報(HI)の詳細を捉えるために,より高品質でそれらを選択的に再画像化する適応戦略を提案する。 胸部組織の赤外分光データを効率よく画像化するために本手法を適用し, 得られたHIデータを用いて, ランダムなベースラインよりも優れたセグメンテーション性能を実現する。
• 参考スコア（独自算出の注目度）: 0.27309692684728604
• License:
• Abstract: Label-free chemical imaging holds significant promise for improving digital pathology workflows. However, data acquisition speed remains a limiting factor for smooth clinical transition. To address this gap, we propose an adaptive strategy: initially scan the low information (LI) content of the entire tissue quickly, identify regions with high aleatoric uncertainty (AU), and selectively re-image them at better quality to capture higher information (HI) details. The primary challenge lies in distinguishing between high-AU regions that can be mitigated through HI imaging and those that cannot. However, since existing uncertainty frameworks cannot separate such AU subcategories, we propose a fine-grained disentanglement method based on post-hoc latent space analysis to unmix resolvable from irresolvable high-AU regions. We apply our approach to efficiently image infrared spectroscopic data of breast tissues, achieving superior segmentation performance using the acquired HI data compared to a random baseline. This represents the first algorithmic study focused on fine-grained AU disentanglement within dynamic image spaces (LI-to-HI), with novel application to streamline histopathology.
• Abstract（参考訳）: ラベルなしの化学画像は、デジタル病理ワークフローを改善するための重要な約束である。 しかし、データ取得速度は、スムーズな臨床移行の制限要因であり続けている。 このギャップに対処するため、まず組織全体の低情報(LI)含有量を素早くスキャンし、高いアレータリック不確実性(AU)のある領域を同定し、より高い情報(HI)を捉えるために、より高品質でそれらを選択的に再画像化する適応戦略を提案する。 主な課題は、HIイメージングによって緩和できる高AU領域と、できない領域を区別することである。 しかし, 既存の不確実性フレームワークではそのようなAUサブカテゴリを分離できないため, 未解決高AU領域から解けない解法を解き放つために, ポストホック潜時空間解析に基づくきめ細かな不整合法を提案する。 胸部組織の赤外分光データを効率よく画像化するために本手法を適用し, 得られたHIデータを用いて, ランダムなベースラインよりも優れたセグメンテーション性能を実現する。 これは、動的画像空間(LI-to-HI)における微細なAU歪みに焦点を当てた最初のアルゴリズム研究であり、新しい病理組織学の合理化への応用である。

関連論文リスト

• Rapid hyperspectral photothermal mid-infrared spectroscopic imaging from sparse data for gynecologic cancer tissue subtyping [3.550171634694342]
  ミドル赤外線(Mid-Infrared、MIR)は、ラベルなし、生化学的に定量的な技術である。 この研究は、MIR光熱画像への新しいアプローチを示し、その速度を桁違いに向上させる。
  論文  参考訳（メタデータ） (2024-02-28T00:57:35Z)
• Synthetic optical coherence tomography angiographs for detailed retinal vessel segmentation without human annotations [12.571349114534597]
  本稿では,より高速でリアルなOCTA合成のために,空間コロニー化に基づく網膜血管網の軽量なシミュレーションを行う。 本研究では,3つの公開データセットに対する定量的および定性的実験において,提案手法の優れたセグメンテーション性能を示す。
  論文  参考訳（メタデータ） (2023-06-19T14:01:47Z)
• OADAT: Experimental and Synthetic Clinical Optoacoustic Data for Standardized Image Processing [62.993663757843464]
  オプトアコースティック(OA)イメージングは、ナノ秒レーザーパルスによる生体組織の励起と、光吸収による熱弾性膨張によって発生する超音波の検出に基づいている。 OAイメージングは、深部組織における豊富な光学コントラストと高分解能の強力な組み合わせを特徴としている。 臨床環境でのOAの幅広い応用を促進するために、異なるタイプの実験的なセットアップと関連する処理手法で生成される標準化データセットは存在しない。
  論文  参考訳（メタデータ） (2022-06-17T08:11:26Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)
• Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
  我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
  論文  参考訳（メタデータ） (2021-11-01T15:31:32Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced Cardiac Magnetic Resonance Imaging [90.29017019187282]
  現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。 技術および生物学的指標を用いた提案アルゴリズムの解析を行った。 その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
  論文  参考訳（メタデータ） (2020-04-26T08:49:17Z)
• Gastric histopathology image segmentation using a hierarchical conditional random field [16.920864110707747]
  新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。 HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
  論文  参考訳（メタデータ） (2020-03-03T02:44:31Z)

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。