論文の概要: Optimal Transport Driven Asymmetric Image-to-Image Translation for Nuclei Segmentation of Histological Images

• arxiv url: http://arxiv.org/abs/2506.07023v1
• Date: Sun, 08 Jun 2025 07:05:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-10 16:33:10.634974
• Title: Optimal Transport Driven Asymmetric Image-to-Image Translation for Nuclei Segmentation of Histological Images
• Title（参考訳）: 組織像の核分割のための最適輸送駆動非対称画像変換
• Authors: Suman Mahapatra, Pradipta Maji,
• Abstract要約: 組織像から核構造を分割する新しい深部生成モデルを提案する。 提案モデルでは,情報量の多いヒストロジ画像空間と情報量が少ないセグメンテーションマップ領域との間の情報格差を扱うための埋め込み空間を考察する。 提案したモデルは、複雑なネットワークアーキテクチャを持つ他の既存モデルと比較して、ネットワーク複雑性とモデルパフォーマンスのトレードオフを良くする。
• 参考スコア（独自算出の注目度）: 12.154569665167424
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Segmentation of nuclei regions from histological images enables morphometric analysis of nuclei structures, which in turn helps in the detection and diagnosis of diseases under consideration. To develop a nuclei segmentation algorithm, applicable to different types of target domain representations, image-to-image translation networks can be considered as they are invariant to target domain image representations. One of the important issues with image-to-image translation models is that they fail miserably when the information content between two image domains are asymmetric in nature. In this regard, the paper introduces a new deep generative model for segmenting nuclei structures from histological images. The proposed model considers an embedding space for handling information-disparity between information-rich histological image space and information-poor segmentation map domain. Integrating judiciously the concepts of optimal transport and measure theory, the model develops an invertible generator, which provides an efficient optimization framework with lower network complexity. The concept of invertible generator automatically eliminates the need of any explicit cycle-consistency loss. The proposed model also introduces a spatially-constrained squeeze operation within the framework of invertible generator to maintain spatial continuity within the image patches. The model provides a better trade-off between network complexity and model performance compared to other existing models having complex network architectures. The performance of the proposed deep generative model, along with a comparison with state-of-the-art nuclei segmentation methods, is demonstrated on publicly available histological image data sets.
• Abstract（参考訳）: 組織像からの核領域の分離は、核構造の形態計測分析を可能にし、その結果、考慮中の疾患の検出と診断に役立つ。 異なるタイプの対象領域表現に適用可能な核分割アルゴリズムを開発するために、対象領域画像表現に不変であるとして、画像間変換ネットワークを考えることができる。 画像から画像への変換モデルにおける重要な問題のひとつは、2つの画像領域間の情報内容が本質的に非対称である場合に、それらが誤動作してしまうことである。 そこで本研究では,組織像から核構造を分割する新たな深部生成モデルを提案する。 提案モデルでは,情報量の多いヒストロジ画像空間と情報量が少ないセグメンテーションマップ領域との間の情報格差を扱うための埋め込み空間を考察する。 最適輸送と測度理論の概念を巧みに統合し、このモデルは、ネットワークの複雑さを低減した効率的な最適化フレームワークを提供する可逆生成器を開発する。 非可逆ジェネレータの概念は、明示的なサイクル一貫性損失の必要性を自動的に排除する。 また,画像パッチ内の空間的連続性を維持するために,可逆発生器の枠組み内で空間的に制約された圧縮操作を導入する。 このモデルは、複雑なネットワークアーキテクチャを持つ他の既存のモデルと比較して、ネットワークの複雑さとモデルパフォーマンスのトレードオフを良くします。 提案した深部生成モデルの性能と最先端の原子核分割法との比較を, 公開されている組織画像データセット上で実証した。

関連論文リスト

• Image Segmentation: Inducing graph-based learning [4.499833362998488]
  本研究では,グラフニューラルネットワーク(GNN)の可能性を探り,多様な画像モダリティにまたがるセマンティックセグメンテーションを強化する。 GNNは、画像特徴のグラフ表現の構築と操作により、画像領域間の関係を明示的にモデル化する。 本分析は,多様なセグメンテーション課題に対処するGNNの汎用性を実証し,様々なアプリケーションにおけるセグメンテーション精度向上の可能性を強調した。
  論文  参考訳（メタデータ） (2025-01-07T13:09:44Z)
• Bayesian Unsupervised Disentanglement of Anatomy and Geometry for Deep Groupwise Image Registration [50.62725807357586]
  本稿では,マルチモーダル群画像登録のための一般ベイズ学習フレームワークを提案する。 本稿では,潜在変数の推論手順を実現するために,新しい階層的変分自動符号化アーキテクチャを提案する。 心臓、脳、腹部の医療画像から4つの異なるデータセットを含む,提案された枠組みを検証する実験を行った。
  論文  参考訳（メタデータ） (2024-01-04T08:46:39Z)
• A kinetic approach to consensus-based segmentation of biomedical images [39.58317527488534]
  バイオメディカルセグメンテーション問題に有界信頼度コンセンサスモデルの運動バージョンを適用した。 システムの長時間の挙動は、代理のフォッカー・プランク法(英語版)の助けを借りて計算される。 2次元グレースケール画像の関連集合に対して導入されたセグメンテーション距離を最小化する。
  論文  参考訳（メタデータ） (2022-11-08T09:54:34Z)
• Semantic Image Synthesis via Diffusion Models [174.24523061460704]
  Denoising Diffusion Probabilistic Models (DDPM) は様々な画像生成タスクにおいて顕著な成功を収めた。 セマンティック画像合成に関する最近の研究は、主に事実上のGANベースのアプローチに従っている。 意味画像合成のためのDDPMに基づく新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-30T18:31:51Z)
• InsMix: Towards Realistic Generative Data Augmentation for Nuclei Instance Segmentation [29.78647170035808]
  本稿では,コピック・ペースト・スムース原理に従って,核セグメンテーションのための現実的なデータ拡張手法InsMixを提案する。 具体的には、拡張画像が原子核に関する豪華な情報を取得することができる形態的制約を提案する。 背景の画素冗長性をフル活用するために,背景パッチをランダムにシャッフルする背景摂動法を提案する。
  論文  参考訳（メタデータ） (2022-06-30T08:58:05Z)
• Saliency-Driven Active Contour Model for Image Segmentation [2.8348950186890467]
  本稿では,局所的な画像情報(LIF)を用いたサリエンシマップの利点を利用して,従来のモデルの欠点を克服する新しいモデルを提案する。 提案モデルでは,画像の鮮度マップと局所画像情報を用いて,アクティブな輪郭モデルの進行性を向上させる。
  論文  参考訳（メタデータ） (2022-05-23T06:02:52Z)
• Learning Deformable Image Registration from Optimization: Perspective, Modules, Bilevel Training and Beyond [62.730497582218284]
  マルチスケールの伝搬により微分同相モデルを最適化する,新しいディープラーニングベースのフレームワークを開発した。 我々は,脳MRIデータにおける画像-アトラス登録,肝CTデータにおける画像-画像登録を含む,3次元ボリュームデータセットにおける画像登録実験の2つのグループを実行する。
  論文  参考訳（メタデータ） (2020-04-30T03:23:45Z)
• 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)
• Roto-Translation Equivariant Convolutional Networks: Application to Histopathology Image Analysis [11.568329857588099]
  畳み込みネットワークにおける特殊ユークリッド運動群SE(2)の幾何学的構造を符号化する枠組みを提案する。 提案手法を用いることで,一貫した性能向上が達成できることを示す。
  論文  参考訳（メタデータ） (2020-02-20T13:44:29Z)

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。