論文の概要: Staining normalization in histopathology: Method benchmarking using multicenter dataset

• arxiv url: http://arxiv.org/abs/2506.19106v1
• Date: Mon, 23 Jun 2025 20:37:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-25 19:48:23.377623
• Title: Staining normalization in histopathology: Method benchmarking using multicenter dataset
• Title（参考訳）: 病理組織学における正規化の確保:マルチセンターデータセットを用いた方法ベンチマーク
• Authors: Umair Khan, Jouni Härkönen, Marjukka Friman, Leena Latonen, Teijo Kuopio, Pekka Ruusuvuori,
• Abstract要約: ヘマトキシリンとエオシン(H&E)は、何十年にもわたって組織分析における金の標準であった。 この変異は、病理学者とAIベースの下流分析にとって課題となる。
• 参考スコア（独自算出の注目度）: 1.7844350789242667
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Hematoxylin and Eosin (H&E) has been the gold standard in tissue analysis for decades, however, tissue specimens stained in different laboratories vary, often significantly, in appearance. This variation poses a challenge for both pathologists' and AI-based downstream analysis. Minimizing stain variation computationally is an active area of research. To further investigate this problem, we collected a unique multi-center tissue image dataset, wherein tissue samples from colon, kidney, and skin tissue blocks were distributed to 66 different labs for routine H&E staining. To isolate staining variation, other factors affecting the tissue appearance were kept constant. Further, we used this tissue image dataset to compare the performance of eight different stain normalization methods, including four traditional methods, namely, histogram matching, Macenko, Vahadane, and Reinhard normalization, and two deep learning-based methods namely CycleGAN and Pixp2pix, both with two variants each. We used both quantitative and qualitative evaluation to assess the performance of these methods. The dataset's inter-laboratory staining variation could also guide strategies to improve model generalizability through varied training data
• Abstract（参考訳）: ヘマトキシリンとエオシン(H&E)は、何十年にもわたって組織分析の標準となっているが、異なる研究室で染色された組織標本は、しばしば外観において著しく異なる。 この変異は、病理学者とAIベースの下流分析の両方に課題をもたらす。 染色変化の最小化は研究の活発な領域である。 そこで, 大腸, 腎臓, 皮膚組織ブロックから採取した組織を66の研究室に分散し, 日常的なH&E染色を行った。 染色変種を分離するため, 組織外観に影響を及ぼす他の因子は一定に保たれた。 さらに,この組織画像データセットを用いて,ヒストグラムマッチング法,マッケンコ法,バハダン法,ラインハルト法,深層学習法(CycleGAN法とPixp2pix法)の8種類の染色正規化法の性能を比較した。 これらの手法の性能評価には定量評価と定性評価の両方を用いた。 データセットのコラボレーション間染色変動は、様々なトレーニングデータを通してモデル一般化性を改善するための戦略を導くこともできる

関連論文リスト

• Few-shot learning for COVID-19 Chest X-Ray Classification with Imbalanced Data: An Inter vs. Intra Domain Study [49.5374512525016]
  医療画像データセットは、コンピュータ支援診断、治療計画、医学研究に使用される訓練モデルに不可欠である。 データ分散のばらつき、データの不足、ジェネリックイメージから事前トレーニングされたモデルを使用する場合の転送学習の問題などである。 本稿では,データ不足と分散不均衡の影響を軽減するために,一連の手法を統合したシームズニューラルネットワークに基づく手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T16:59:27Z)
• Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation [3.2386272343130127]
  染色色不変の特徴を学習するために,染色特異的増色と染色一貫性損失関数を組み合わせた新しいフレームワークを提案する。 マソンのトリクロマトクロムとH&E染色細胞と核データセットの10つの手法を比較した。 その結果,染色法は同等あるいは悪い性能を示したが,染色法や染色法では性能が向上した。
  論文  参考訳（メタデータ） (2023-11-11T12:00:44Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• 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)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• StyPath: Style-Transfer Data Augmentation For Robust Histology Image Classification [6.690876060631452]
  我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。 それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。 以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
  論文  参考訳（メタデータ） (2020-07-09T18:02:49Z)
• Pix2Pix-based Stain-to-Stain Translation: A Solution for Robust Stain Normalization in Histopathology Images Analysis [5.33024001730262]
  Stain-to-Stain Translation (STST) はヘマトキシリンおよびエオシン染色組織像の正常化に用いられている。 条件付きジェネレータ対向ネットワーク(cGAN)を用いたピクス2ピクセルフレームワークに基づく翻訳処理を行う。
  論文  参考訳（メタデータ） (2020-02-03T11:19:01Z)

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。