論文の概要: Digital Staining with Knowledge Distillation: A Unified Framework for Unpaired and Paired-But-Misaligned Data

• arxiv url: http://arxiv.org/abs/2504.09899v1
• Date: Mon, 14 Apr 2025 05:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:49:48.604894
• Title: Digital Staining with Knowledge Distillation: A Unified Framework for Unpaired and Paired-But-Misaligned Data
• Title（参考訳）: 知識蒸留によるデジタルステイニング:不対向・対向型データ統合フレームワーク
• Authors: Ziwang Xu, Lanqing Guo, Satoshi Tsutsui, Shuyan Zhang, Alex C. Kot, Bihan Wen,
• Abstract要約: 近年のディープラーニングの進歩により、教師付きモデルトレーニングによるデジタル染色が可能になった。 本稿では,デジタルセル染色のための新しい教師なし深層学習フレームワークを提案する。 提案手法は, セルターゲットの位置や形状をより正確に把握した染色画像を, 両設定で生成できることを示した。
• 参考スコア（独自算出の注目度）: 40.700143367661965
• License:
• Abstract: Staining is essential in cell imaging and medical diagnostics but poses significant challenges, including high cost, time consumption, labor intensity, and irreversible tissue alterations. Recent advances in deep learning have enabled digital staining through supervised model training. However, collecting large-scale, perfectly aligned pairs of stained and unstained images remains difficult. In this work, we propose a novel unsupervised deep learning framework for digital cell staining that reduces the need for extensive paired data using knowledge distillation. We explore two training schemes: (1) unpaired and (2) paired-but-misaligned settings. For the unpaired case, we introduce a two-stage pipeline, comprising light enhancement followed by colorization, as a teacher model. Subsequently, we obtain a student staining generator through knowledge distillation with hybrid non-reference losses. To leverage the pixel-wise information between adjacent sections, we further extend to the paired-but-misaligned setting, adding the Learning to Align module to utilize pixel-level information. Experiment results on our dataset demonstrate that our proposed unsupervised deep staining method can generate stained images with more accurate positions and shapes of the cell targets in both settings. Compared with competing methods, our method achieves improved results both qualitatively and quantitatively (e.g., NIQE and PSNR).We applied our digital staining method to the White Blood Cell (WBC) dataset, investigating its potential for medical applications.
• Abstract（参考訳）: 染色は細胞イメージングや医療診断において必須であるが、高コスト、時間消費、労働強度、不可逆的な組織変化など、重大な課題を生じさせる。 近年のディープラーニングの進歩により、教師付きモデルトレーニングによるデジタル染色が可能になった。 しかし、大規模な、完全に整列したステンドイメージとアンステンドイメージの収集は依然として困難である。 本研究では,デジタルセル染色のための新しい教師なし深層学習フレームワークを提案する。 1)未ペアと(2)ペア/////////////////////////////////////////////////////////////////////////// 未経験者に対しては,教師モデルとして光強調とカラー化を併用した2段階パイプラインを導入する。 その後,ハイブリッドな非参照損失を伴う知識蒸留により,学生の染色生成物を得る。 隣接部分間の画素情報を活用するために,さらにペアとミスアライメントの設定に拡張し,AlignモジュールにLearningを加えてピクセルレベルの情報を利用する。 提案手法は, セルターゲットの位置や形状をより正確に把握した染色画像を, 両設定で生成できることを示した。 競合する手法と比較して,提案手法は質的かつ定量的な結果(NIQE,PSNRなど)が得られる。 本手法をWhite Blood Cell (WBC) データセットに適用し,医療応用の可能性を検討した。

関連論文リスト

• Unsupervised Deep Digital Staining For Microscopic Cell Images Via Knowledge Distillation [46.006296303296544]
  大規模にステンド/アンステンディングされたセルイメージペアを実際に取得することは困難である。 本稿では,セル画像のデジタル染色のための新しい教師なしディープラーニングフレームワークを提案する。 提案手法は, より正確な位置と形状の染色画像を生成することができることを示す。
  論文  参考訳（メタデータ） (2023-03-03T16:26:38Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Metadata-enhanced contrastive learning from retinal optical coherence tomography images [7.932410831191909]
  従来のコントラストフレームワークを新しいメタデータ強化戦略で拡張する。 本手法では,画像間のコントラスト関係の真のセットを近似するために,患者メタデータを広く活用する。 提案手法は、6つの画像レベル下流タスクのうち5つにおいて、標準コントラスト法と網膜画像基盤モデルの両方に優れる。
  論文  参考訳（メタデータ） (2022-08-04T08:53:15Z)
• Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
  本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。 我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。 透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
  論文  参考訳（メタデータ） (2022-06-24T22:25:31Z)
• Exploiting generative self-supervised learning for the assessment of biological images with lack of annotations: a COVID-19 case-study [0.41998444721319217]
  GAN-DLはStyleGAN2アーキテクチャに基づく差別化学習機である。 本手法は, 分類作業だけでなく, 線量応答曲線の導出にも有効であることを示す。
  論文  参考訳（メタデータ） (2021-07-16T08:36:34Z)
• Positional Contrastive Learning for Volumetric Medical Image Segmentation [13.086140606803408]
  コントラストデータペアを生成するための新しい位置コントラスト学習フレームワークを提案する。 提案手法は,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
  論文  参考訳（メタデータ） (2021-06-16T22:15:28Z)
• Degrade is Upgrade: Learning Degradation for Low-light Image Enhancement [52.49231695707198]
  2段階の工程で細部と色を精錬しながら、内在的な劣化と低照度画像を照らし出す。 カラー画像の定式化に触発されて,まず低照度入力からの劣化を推定し,環境照明色の歪みをシミュレーションし,そのコンテンツを精錬して拡散照明色の損失を回復した。 LOL1000データセットではPSNRで0.95dB、ExDarkデータセットでは3.18%のmAPでSOTAを上回った。
  論文  参考訳（メタデータ） (2021-03-19T04:00:27Z)
• Bridging the gap between Natural and Medical Images through Deep Colorization [15.585095421320922]
  自然画像収集からの伝達学習は、形状、テクスチャ、色の違いに対処しようとする標準的な実践である。 本研究では,これらの課題を解消し,色適応に着目した専用ネットワークモジュールの設計を提案する。 カラーモジュールのスクラッチからの学習と異なる分類バックボーンの伝達学習を組み合わせることで、画像認識のためのエンドツーエンドで簡単にトレーニングできるアーキテクチャを得る。
  論文  参考訳（メタデータ） (2020-05-21T12:03:14Z)
• Semi-Supervised StyleGAN for Disentanglement Learning [79.01988132442064]
  現在の解離法は、いくつかの固有の制限に直面している。 半教師付き高分解能ディスタングル学習のためのStyleGANに基づく新しいアーキテクチャと損失関数を設計する。
  論文  参考訳（メタデータ） (2020-03-06T22:54:46Z)

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。