論文の概要: PathoPainter: Augmenting Histopathology Segmentation via Tumor-aware Inpainting
- arxiv url: http://arxiv.org/abs/2503.04634v1
- Date: Thu, 06 Mar 2025 17:21:12 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-03-07 15:59:18.476260
- Title: PathoPainter: Augmenting Histopathology Segmentation via Tumor-aware Inpainting
- Title（参考訳）: PathoPainter:腫瘍認識による病理組織分離の増強
- Authors: Hong Liu, Haosen Yang, Evi M. C. Huijben, Mark Schuiveling, Ruisheng Su, Josien P. W. Pluim, Mitko Veta,
- Abstract要約: 画像とマスクのペア生成を腫瘍塗布タスクとして再構成するPathoPainterを提案する。
本手法は,腫瘍領域を塗布しながら背景を保存し,生成した画像と対応するマスクとの正確な整合性を確保する。
包括的評価は、腫瘍の種類や様々なトレーニングデータスケールを特徴とする複数のデータセットにまたがる。
- 参考スコア（独自算出の注目度）: 7.518548705907955
- License:
- Abstract: Tumor segmentation plays a critical role in histopathology, but it requires costly, fine-grained image-mask pairs annotated by pathologists. Thus, synthesizing histopathology data to expand the dataset is highly desirable. Previous works suffer from inaccuracies and limited diversity in image-mask pairs, both of which affect training segmentation, particularly in small-scale datasets and the inherently complex nature of histopathology images. To address this challenge, we propose PathoPainter, which reformulates image-mask pair generation as a tumor inpainting task. Specifically, our approach preserves the background while inpainting the tumor region, ensuring precise alignment between the generated image and its corresponding mask. To enhance dataset diversity while maintaining biological plausibility, we incorporate a sampling mechanism that conditions tumor inpainting on regional embeddings from a different image. Additionally, we introduce a filtering strategy to exclude uncertain synthetic regions, further improving the quality of the generated data. Our comprehensive evaluation spans multiple datasets featuring diverse tumor types and various training data scales. As a result, segmentation improved significantly with our synthetic data, surpassing existing segmentation data synthesis approaches, e.g., 75.69% -> 77.69% on CAMELYON16. The code is available at https://github.com/HongLiuuuuu/PathoPainter.
- Abstract（参考訳）: 腫瘍セグメンテーションは病理組織学において重要な役割を担っているが、病理学者によって注釈された、高価できめ細かい画像マスクのペアが必要である。
したがって、データセットを拡張するために病理データを合成することが非常に望ましい。
以前の研究は、画像とマスクのペアにおける不正確さと限定的な多様性に悩まされており、これらは訓練のセグメンテーション、特に小規模データセットや、自然に複雑な病理像に影響を及ぼす。
そこで我々はPathoPainterを提案する。このPathoPainterは画像とマスクのペア生成を腫瘍塗布タスクとして再構成する。
具体的には,腫瘍領域を塗布しながら背景を保存し,生成した画像と対応するマスクとの正確な整合性を確保する。
生物の可視性を保ちながらデータセットの多様性を高めるため,異なる画像からの局所的な埋め込みに着色する腫瘍を検知するサンプリング機構を組み込んだ。
さらに、不確実な合成領域を排除し、生成したデータの品質をさらに向上するフィルタリング戦略を導入する。
包括的評価は、腫瘍の種類や様々なトレーニングデータスケールを特徴とする複数のデータセットにまたがる。
その結果, セグメンテーションは, 既存のセグメンテーションデータ合成手法, 例えば75.69% ->77.69%をCAMELYON16で上回った。
コードはhttps://github.com/HongLiuuuu/PathoPainterで入手できる。
関連論文リスト
- Enhanced MRI Representation via Cross-series Masking [48.09478307927716]
自己教師型でMRI表現を効果的に学習するためのクロスシリーズ・マスキング(CSM)戦略
メソッドは、パブリックデータセットと社内データセットの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-12-10T10:32:09Z) - Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳（メタデータ） (2024-09-24T12:02:55Z) - Enhanced Sharp-GAN For Histopathology Image Synthesis [63.845552349914186]
病理組織像合成は、正確ながん検出のためのディープラーニングアプローチの訓練において、データ不足の問題に対処することを目的としている。
核トポロジと輪郭正則化を用いて合成画像の品質を向上させる新しい手法を提案する。
提案手法は、Sharp-GANを2つのデータセット上の4つの画像品質指標すべてで上回る。
論文 参考訳（メタデータ） (2023-01-24T17:54:01Z) - Self-Supervised Correction Learning for Semi-Supervised Biomedical Image
Segmentation [84.58210297703714]
半教師付きバイオメディカルイメージセグメンテーションのための自己教師付き補正学習パラダイムを提案する。
共有エンコーダと2つの独立デコーダを含むデュアルタスクネットワークを設計する。
異なるタスクのための3つの医用画像分割データセットの実験により,本手法の優れた性能が示された。
論文 参考訳（メタデータ） (2023-01-12T08:19:46Z) - Online Easy Example Mining for Weakly-supervised Gland Segmentation from
Histology Images [10.832913704956253]
病理組織像からのAI支援腺分節法の開発は, 自動診断と予後に重要である。
コンピュータビジョンにおける既存の弱教師付きセマンティックセマンティックセマンティクス法は、腺セマンティクスの変性結果を達成する。
信頼性の高い監視信号に着目したオンライン簡易事例マイニング(OEEM)を提案する。
論文 参考訳（メタデータ） (2022-06-14T07:53:03Z) - Selective Synthetic Augmentation with HistoGAN for Improved
Histopathology Image Classification [11.087537668968888]
我々は,クラスラベルに条件付けされたリアルな病理像パッチを合成するための条件付きGANモデル,すなわちHistoGANを提案する。
また,提案したHistoGANによって生成された新しい合成画像パッチを選択的に追加する新しい合成拡張フレームワークについても検討した。
リンパ節病理組織像と転移性癌のリンパ節病理組織像の2つのデータセットについて検討した。
論文 参考訳（メタデータ） (2021-11-10T23:25:39Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - METGAN: Generative Tumour Inpainting and Modality Synthesis in Light
Sheet Microscopy [4.872960046536882]
本稿では,実解剖情報を活用し,腫瘍の現実的な画像ラベル対を生成する新しい生成法を提案する。
解剖学的画像とラベルのためのデュアルパス生成器を構築し, 独立して事前学習されたセグメンタによって制約された, サイクル一貫性のある設定で学習する。
生成した画像は,既存の手法に比べて定量的に顕著に改善された。
論文 参考訳（メタデータ） (2021-04-22T11:18:17Z) - 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) - Generative Synthetic Augmentation using Label-to-Image Translation for
Nuclei Image Segmentation [0.0]
本稿では,エッジ構造を持つセマンティックラベルから実画像へマッピングする,ラベルから画像への変換を用いた合成拡張を提案する。
提案手法により,提案手法の精度が向上したことを計算および報告する。
論文 参考訳（メタデータ） (2020-04-21T16:10:11Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳（メタデータ） (2020-03-31T11:50:43Z)
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。