論文の概要: Patch-Wise Hypergraph Contrastive Learning with Dual Normal Distribution Weighting for Multi-Domain Stain Transfer

• arxiv url: http://arxiv.org/abs/2503.09523v1
• Date: Wed, 12 Mar 2025 16:39:53 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-13 15:38:56.811979
• Title: Patch-Wise Hypergraph Contrastive Learning with Dual Normal Distribution Weighting for Multi-Domain Stain Transfer
• Title（参考訳）: デュアル正規分布重み付きパッチワイズハイパーグラフコントラスト学習によるマルチドメインステン転送
• Authors: Haiyan Wei, Hangrui Xu, Bingxu Zhu, Yulian Geng, Aolei Liu, Wenfei Yin, Jian Liu,
• Abstract要約: 仮想染色はコンピュータ支援技術を用いて組織サンプルの組織化学的染色パターンを他の染色タイプに変換する。 ハイパーグラフに基づくパッチワイドコントラスト学習手法STNHCLを提案する。 そこで本研究では,STNHCLが2種類のステンレス転写タスクの最先端性能を実現することを示す。
• 参考スコア（独自算出の注目度）: 2.5241344941284365
• License:
• Abstract: Virtual stain transfer leverages computer-assisted technology to transform the histochemical staining patterns of tissue samples into other staining types. However, existing methods often lose detailed pathological information due to the limitations of the cycle consistency assumption. To address this challenge, we propose STNHCL, a hypergraph-based patch-wise contrastive learning method. STNHCL captures higher-order relationships among patches through hypergraph modeling, ensuring consistent higher-order topology between input and output images. Additionally, we introduce a novel negative sample weighting strategy that leverages discriminator heatmaps to apply different weights based on the Gaussian distribution for tissue and background, thereby enhancing traditional weighting methods. Experiments demonstrate that STNHCL achieves state-of-the-art performance in the two main categories of stain transfer tasks. Furthermore, our model also performs excellently in downstream tasks. Code will be made available.
• Abstract（参考訳）: 仮想染色はコンピュータ支援技術を活用し、組織サンプルの組織化学的染色パターンを他の染色タイプに変換する。 しかし,既存の手法はサイクル整合性の仮定の限界により,詳細な病理情報を失うことが多い。 この課題に対処するために,ハイパーグラフに基づくパッチワイドコントラスト学習手法STNHCLを提案する。 STNHCLはハイパーグラフモデリングによりパッチ間の高次関係をキャプチャし、入力画像と出力画像の間の高次トポロジを一貫して確保する。 さらに, 判別器のヒートマップを利用して, 組織および背景のガウス分布に基づいて異なる重み付けを施し, 従来の重み付け法を改良する新規な負のサンプル重み付け戦略を導入する。 実験により,STNHCLは2つの主要なステン転写タスクのカテゴリにおいて最先端の性能を発揮することが示された。 さらに,本モデルでは下流タスクでも優れた性能を発揮する。 コードは利用可能になる。

関連論文リスト

• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
  染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。 大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:50:30Z)
• Post-training Quantization for Text-to-Image Diffusion Models with Progressive Calibration and Activation Relaxing [49.800746112114375]
  本稿では,テキスト・画像拡散モデルのための学習後量子化手法(プログレッシブ・アンド・リラクシング)を提案する。 我々は,安定拡散XLの量子化を初めて達成し,その性能を維持した。
  論文  参考訳（メタデータ） (2023-11-10T09:10:09Z)
• Unsupervised Discovery of Interpretable Directions in h-space of Pre-trained Diffusion Models [63.1637853118899]
  本稿では,事前学習した拡散モデルのh空間における解釈可能な方向を特定するための,教師なしおよび学習に基づく最初の手法を提案する。 我々は、事前訓練された拡散モデルのh-スペースで動作するシフト制御モジュールを用いて、サンプルをシフトしたバージョンに操作する。 それらを共同で最適化することで、モデルは自然に絡み合った、解釈可能な方向を発見する。
  論文  参考訳（メタデータ） (2023-10-15T18:44:30Z)
• Improving Stain Invariance of CNNs for Segmentation by Fusing Channel Attention and Domain-Adversarial Training [5.501810688265425]
  異なるスライド作成技術、化学物質、スキャナ構成などの染色プロトコルのばらつきは、スライド画像全体(WSI)の多様なセットをもたらす可能性がある。 この分布シフトは、見えないサンプルに対するディープラーニングモデルの性能に悪影響を及ぼす可能性がある。 セマンティックセグメンテーションのための単一ソース設定における変化を染色するために,畳み込みニューラルネットワーク(CNN)の一般化性を改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-22T16:54:37Z)
• Reflected Diffusion Models [93.26107023470979]
  本稿では,データのサポートに基づいて進化する反射微分方程式を逆転する反射拡散モデルを提案する。 提案手法は,一般化されたスコアマッチング損失を用いてスコア関数を学習し,標準拡散モデルの主要成分を拡張する。
  論文  参考訳（メタデータ） (2023-04-10T17:54:38Z)
• Pre-text Representation Transfer for Deep Learning with Limited Imbalanced Data : Application to CT-based COVID-19 Detection [18.72489078928417]
  我々は、PRT(Pre-text Representation Transfer)という新しい概念を提案する。 PRTは元の分類層を保持し、教師なしのプレテキストタスクを通じて表現層を更新する。 提案手法により,従来の移動学習よりも一貫した効果が得られた。
  論文  参考訳（メタデータ） (2023-01-21T04:47:35Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• HistoStarGAN: A Unified Approach to Stain Normalisation, Stain Transfer and Stain Invariant Segmentation in Renal Histopathology [0.5505634045241288]
  HistoStarGANは、複数の染色間での染色を行う統一されたフレームワークである。 合成データジェネレータとして機能し、完全に注釈付けされた合成画像データの使用方法を舗装する。
  論文  参考訳（メタデータ） (2022-10-18T12:22:26Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)

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。