論文の概要: LSA: Latent Style Augmentation Towards Stain-Agnostic Cervical Cancer Screening

• arxiv url: http://arxiv.org/abs/2503.06563v1
• Date: Sun, 09 Mar 2025 11:33:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-11 15:50:46.589564
• Title: LSA: Latent Style Augmentation Towards Stain-Agnostic Cervical Cancer Screening
• Title（参考訳）: LSA: Stain-Agnostic Cervical Cancer Screening に対する潜在型Augmentation
• Authors: Jiangdong Cai, Haotian Jiang, Zhenrong Shen, Yonghao Li, Honglin Xiong, Lichi Zhang, Qian Wang,
• Abstract要約: Latent Style Augmentation (LSA) は、WSIレベルの遅延機能に直接、効率的なオンラインのステンレス拡張を実行するフレームワークである。 まず、WSIレベルのステンレス拡張手法であるWSAugを紹介し、WSI内のパッチ間の一貫したステンレスを確実にする。 WSAugによるオフラインで拡張されたWSIを使用して、潜在空間におけるターゲットスタイルをシミュレートできるStain Transformerを設計し、訓練します。
• 参考スコア（独自算出の注目度）: 12.77650539024463
• License:
• Abstract: The deployment of computer-aided diagnosis systems for cervical cancer screening using whole slide images (WSIs) faces critical challenges due to domain shifts caused by staining variations across different scanners and imaging environments. While existing stain augmentation methods improve patch-level robustness, they fail to scale to WSIs due to two key limitations: (1) inconsistent stain patterns when extending patch operations to gigapixel slides, and (2) prohibitive computational/storage costs from offline processing of augmented WSIs.To address this, we propose Latent Style Augmentation (LSA), a framework that performs efficient, online stain augmentation directly on WSI-level latent features. We first introduce WSAug, a WSI-level stain augmentation method ensuring consistent stain across patches within a WSI. Using offline-augmented WSIs by WSAug, we design and train Stain Transformer, which can simulate targeted style in the latent space, efficiently enhancing the robustness of the WSI-level classifier. We validate our method on a multi-scanner WSI dataset for cervical cancer diagnosis. Despite being trained on data from a single scanner, our approach achieves significant performance improvements on out-of-distribution data from other scanners. Code will be available at https://github.com/caijd2000/LSA.
• Abstract（参考訳）: 全スライド画像(WSI)を用いた頸部がん検診のためのコンピュータ支援診断システムの展開は、異なるスキャナーと撮像環境間の染色変化に起因する領域シフトにより、重大な課題に直面している。 既存のステンレス拡張手法はパッチレベルの堅牢性を改善する一方で,(1) パッチ操作をギガピクセルスライスに拡張する際の一貫性のないステンレスパターン,(2) 拡張WSIのオフライン処理による計算・保存コストの抑制という2つの制約により,WSI にスケールできない。 まず、WSIレベルのステンレス拡張手法であるWSAugを紹介し、WSI内のパッチ間の一貫したステンレスを確実にする。 WSAugによるオフラインで拡張されたWSIを使用して、潜在空間におけるターゲットスタイルをシミュレートし、WSIレベルの分類器の堅牢性を効率的に向上するStain Transformerを設計し、訓練する。 頸部癌診断のためのマルチスキャナWSIデータセットを用いて本手法の有効性を検証した。 単一のスキャナからのデータに基づいてトレーニングされているにも関わらず,本手法は他のスキャナからのアウト・オブ・ディストリビューションデータに対して,大幅な性能向上を実現している。 コードはhttps://github.com/caijd2000/LSAで入手できる。

関連論文リスト

• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• Artifact-Robust Graph-Based Learning in Digital Pathology [2.9998889086656586]
  全スライド画像(WSI)は、高度なスキャナーを用いてガラススライドに配置された組織のデジタル化画像である。 本研究では,これらのアーティファクトを考慮に入れた,新しい堅牢な学習手法を提案する。 前立腺癌データセットを用いたモデルの精度とスコアは、非ロバストアルゴリズムと比較すると、癌診断において顕著な改善が見られた。
  論文  参考訳（メタデータ） (2023-10-27T15:06:01Z)
• LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening [19.803614403803962]
  スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれる弱教師付きラベル効率WSIスクリーニング法を提案する。 スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。 病理組織WSIにおける最新のMIL法よりも優れており、細胞学的WSI検診の自動化を実現している。
  論文  参考訳（メタデータ） (2023-06-06T05:09:20Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• Patient-level Microsatellite Stability Assessment from Whole Slide Images By Combining Momentum Contrast Learning and Group Patch Embeddings [6.40476282000118]
  現在のアプローチでは、WSIから抽出された小さなパッチを最初に分類することで、WSIの高分解能をバイパスしている。 本稿では,WSI の高分解能情報を活用したパッチ埋め込みのモーメントコントラスト学習手法を提案する。 本手法は, パッチレベルの分類法や患者レベルの集計法と比較して, 最大で7.4%精度が向上する。
  論文  参考訳（メタデータ） (2022-08-22T16:31:43Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
  本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。 提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。 統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
  論文  参考訳（メタデータ） (2021-06-29T06:24:55Z)
• A Simple Semi-Supervised Learning Framework for Object Detection [55.95789931533665]
  半教師付き学習(SSL)は、ラベルなしデータを用いた機械学習モデルの予測性能を改善する可能性がある。 本稿では,データ拡張戦略とともに,視覚オブジェクト検出のための簡易かつ効果的なSSLフレームワークSTACを提案する。
  論文  参考訳（メタデータ） (2020-05-10T19:15:51Z)

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。