論文の概要: StainPIDR: A Pathological Image Decouplingand Reconstruction Method for StainNormalization Based on Color VectorQuantization and Structure Restaining

• arxiv url: http://arxiv.org/abs/2506.17879v1
• Date: Sun, 22 Jun 2025 02:54:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-24 19:06:36.632901
• Title: StainPIDR: A Pathological Image Decouplingand Reconstruction Method for StainNormalization Based on Color VectorQuantization and Structure Restaining
• Title（参考訳）: StainPIDR:カラーベクトル量子化と構造保持に基づくStainNormalizationのための画像分離再構成法
• Authors: Zheng Chen,
• Abstract要約: コンピュータ支援診断システムでは,色相の病理像に直面すると劣化する可能性がある。 本研究では,StainPIDRと呼ばれる染色正規化手法を提案する。 StainPIDRのコードは後日公開される予定だ。
• 参考スコア（独自算出の注目度）: 4.222992359119992
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The color appearance of a pathological image is highly related to the imaging protocols, the proportion of different dyes, and the scanning devices. Computer-aided diagnostic systems may deteriorate when facing these color-variant pathological images. In this work, we propose a stain normalization method called StainPIDR. We try to eliminate this color discrepancy by decoupling the image into structure features and vector-quantized color features, restaining the structure features with the target color features, and decoding the stained structure features to normalized pathological images. We assume that color features decoupled by different images with the same color should be exactly the same. Under this assumption, we train a fixed color vector codebook to which the decoupled color features will map. In the restaining part, we utilize the cross-attention mechanism to efficiently stain the structure features. As the target color (decoupled from a selected template image) will also affect the performance of stain normalization, we further design a template image selection algorithm to select a template from a given dataset. In our extensive experiments, we validate the effectiveness of StainPIDR and the template image selection algorithm. All the results show that our method can perform well in the stain normalization task. The code of StainPIDR will be publicly available later.
• Abstract（参考訳）: 病理像の色見栄えは、イメージングプロトコル、異なる染料の割合、走査装置に強く関係している。 コンピュータ支援診断システムは、これらの色相の病理像に直面すると劣化する可能性がある。 本研究では,StainPIDRと呼ばれる染色正規化手法を提案する。 画像を構造特徴とベクトル量子化色特徴に分解し、構造特徴を対象色特徴に保持し、染色された構造特徴を正常化された病理像に復号することにより、この色差を解消しようとする。 同じ色を持つ異なる画像によって分離される色の特徴は、まったく同じであるはずだと仮定する。 この仮定の下で、分離された色特徴がマップされる固定色ベクトルコードブックをトレーニングする。 保持部では,クロスアテンション機構を用いて構造特性を効率的に染色する。 また、対象色(選択したテンプレート画像から分離した)が染色正規化の性能にも影響を与えるため、テンプレート画像選択アルゴリズムを設計し、与えられたデータセットからテンプレートを選択する。 本研究では,StainPIDRとテンプレート画像選択アルゴリズムの有効性を検証する。 これらの結果から,本手法は染色正規化タスクにおいて良好に動作できることが示唆された。 StainPIDRのコードは後日公開される予定だ。

関連論文リスト

• Color Universal Design Neural Network for the Color Vision Deficiencies [0.7366405857677227]
  CUD-Netと呼ばれるカラーユニバーサルデザインネットワークを提案し、色不足の個人によって視覚的に理解可能な画像を生成する。 CUD-Netは、色を保存し、入力画像の色を区別できる畳み込みディープニューラルネットワークである。 我々のアプローチは、色とコントラストの安定性を維持する高品質なCUD画像を作成することができる。
  論文  参考訳（メタデータ） (2025-02-12T01:53:15Z)
• SPDGAN: A Generative Adversarial Network based on SPD Manifold Learning for Automatic Image Colorization [1.1174586184779576]
  生成逆ネットワーク(SPDGAN)を用いたSymmetric Positive Definite (SPD) Manifold Learningに基づく完全自動カラー化手法を提案する。 本モデルは,2つの識別器とジェネレータの対角ゲームを確立する。その目標は,残差接続により層間の色情報を失うことなく,偽のカラー化画像を生成することである。
  論文  参考訳（メタデータ） (2023-12-21T00:52:01Z)
• Name Your Colour For the Task: Artificially Discover Colour Naming via Colour Quantisation Transformer [62.75343115345667]
  そこで本研究では,色空間を定量化しつつ,画像上での認識を維持しつつ,色空間を定量化する新しい色量子化変換器CQFormerを提案する。 人工色システムと人間の言語における基本色用語との一貫性のある進化パターンを観察する。 我々のカラー量子化法は、画像記憶を効果的に圧縮する効率的な量子化法も提供する。
  論文  参考訳（メタデータ） (2022-12-07T03:39:18Z)
• 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)
• Detecting Recolored Image by Spatial Correlation [60.08643417333974]
  画像のリカラー化は、画像の色値を操作して新しいスタイルを与える、新たな編集技術である。 本稿では,空間相関の観点から,従来型と深層学習による再色検出の汎用的検出能力を示す解を探索する。 提案手法は,複数のベンチマークデータセット上での最先端検出精度を実現し,未知の種類の再色法を適切に一般化する。
  論文  参考訳（メタデータ） (2022-04-23T01:54:06Z)
• Structure-Preserving Multi-Domain Stain Color Augmentation using Style-Transfer with Disentangled Representations [0.9051352746190446]
  HistAuGANは、様々な現実的な組織学の染色色をシミュレートできるため、トレーニング中にニューラルネットワークの染色が不変になる。 画像から画像への変換のためのGAN(generative adversarial network)に基づいて,画像の内容,すなわち形態的組織構造を染色色属性から切り離す。 複数のドメインでトレーニングすることができるため、スライド作成および撮像プロセスで導入された他のドメイン固有のバリエーションと同様に、異なる染色色をカバーできることを学ぶことができる。
  論文  参考訳（メタデータ） (2021-07-26T17:52:39Z)
• StainNet: a fast and robust stain normalization network [0.7796684624647288]
  本稿では、StainNetという1.28Kパラメータのみを持つ高速かつ堅牢な染色正規化ネットワークを提案する。 提案手法は染色正常化が良好であり,精度と画質が向上した。
  論文  参考訳（メタデータ） (2020-12-23T08:16:27Z)
• Learning to Structure an Image with Few Colors [59.34619548026885]
  そこで,カラー量子化ネットワークであるColorCNNを提案する。 1ビットのカラースペース(すなわち2色)だけで、提案されたネットワークはCIFAR10データセット上で82.1%のトップ-1の精度を達成した。 アプリケーションの場合、PNGでエンコードされた場合、提案したカラー量子化は、極低ビットレート方式の他の画像圧縮方法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-17T17:56:15Z)

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。