論文の概要: Style-Aligned Image Composition for Robust Detection of Abnormal Cells in Cytopathology

• arxiv url: http://arxiv.org/abs/2506.21001v1
• Date: Thu, 26 Jun 2025 04:32:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-27 19:53:09.977264
• Title: Style-Aligned Image Composition for Robust Detection of Abnormal Cells in Cytopathology
• Title（参考訳）: 細胞病理における異常細胞のロバスト検出のためのスタイルアライメント画像合成
• Authors: Qiuyi Qi, Xin Li, Ming Kong, Zikang Xu, Bingdi Chen, Qiang Zhu, S Kevin Zhou,
• Abstract要約: 本稿では,高忠実度・保存型病理画像を構成するスタイル整列画像合成(SAIC)手法を提案する。 異常細胞と病理背景のスタイル整合性および高忠実性を実現するために、高周波特徴再構成を用いる。 実験により,SAIC合成画像の導入は,尾部分類やスタイルに対する異常細胞検出の性能と堅牢性を効果的に向上させることが示された。
• 参考スコア（独自算出の注目度）: 15.075161160239999
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Challenges such as the lack of high-quality annotations, long-tailed data distributions, and inconsistent staining styles pose significant obstacles to training neural networks to detect abnormal cells in cytopathology robustly. This paper proposes a style-aligned image composition (SAIC) method that composes high-fidelity and style-preserved pathological images to enhance the effectiveness and robustness of detection models. Without additional training, SAIC first selects an appropriate candidate from the abnormal cell bank based on attribute guidance. Then, it employs a high-frequency feature reconstruction to achieve a style-aligned and high-fidelity composition of abnormal cells and pathological backgrounds. Finally, it introduces a large vision-language model to filter high-quality synthesis images. Experimental results demonstrate that incorporating SAIC-synthesized images effectively enhances the performance and robustness of abnormal cell detection for tail categories and styles, thereby improving overall detection performance. The comprehensive quality evaluation further confirms the generalizability and practicality of SAIC in clinical application scenarios. Our code will be released at https://github.com/Joey-Qi/SAIC.
• Abstract（参考訳）: 高品質なアノテーションの欠如、長い尾のデータ分布、一貫性のない染色スタイルなどの課題は、細胞病理の異常細胞を堅牢に検出するためにニューラルネットワークを訓練する上で大きな障害となる。 本稿では,高忠実度・高保存型病理画像を構成するスタイルアライン画像合成(SAIC)手法を提案し,検出モデルの有効性とロバスト性を高める。 追加のトレーニングなしで、SAICは属性ガイダンスに基づいて、まず、異常なセルバンクから適切な候補を選択する。 そして、高周波の特徴再構成を用いて、異常細胞と病理背景のスタイル整合かつ高忠実な構成を実現する。 最後に、高品質な合成画像をフィルタリングする大きな視覚言語モデルを導入する。 実験結果から,SAIC合成画像の導入により,尾部のカテゴリやスタイルに対する異常細胞検出の性能と堅牢性が向上し,全体的な検出性能が向上することが示唆された。 総合的な品質評価は、臨床応用シナリオにおけるSAICの一般化可能性と実用性をさらに確認する。 私たちのコードはhttps://github.com/Joey-Qi/SAIC.comでリリースされます。

関連論文リスト

• Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
  病理組織像分類は様々な疾患の正確な同定と診断に重要である。 合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
  論文  参考訳（メタデータ） (2024-09-24T12:02:55Z)
• Spatial-aware Attention Generative Adversarial Network for Semi-supervised Anomaly Detection in Medical Image [63.59114880750643]
  本稿では,一級半教師付き健康画像生成のための空間意識生成ネットワーク(SAGAN)について紹介する。 SAGANは、正常な画像の復元と擬似異常画像の復元によって導かれる、ラベルのないデータに対応する高品質な健康画像を生成する。 3つの医学データセットに対する大規模な実験は、提案されたSAGANが最先端の手法よりも優れていることを示した。
  論文  参考訳（メタデータ） (2024-05-21T15:41:34Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Two-stage Cytopathological Image Synthesis for Augmenting Cervical Abnormality Screening [13.569003698448]
  データ収集とアノテーションの努力を最小限に抑えるため、病理画像合成が自然に行われる。 頚部異常スクリーニングのための合成データを作成するための2段階画像合成フレームワークを提案する。 提案する合成フレームワークの合成画像品質,多様性,制御性について実験を行った。
  論文  参考訳（メタデータ） (2024-02-22T17:06:47Z)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• A Robust Ensemble Model for Patasitic Egg Detection and Classification [9.449507409551842]
  腸内寄生虫感染症は、世界中で致死性の主要な原因となっているが、それでも時間節約、高感度、ユーザフレンドリーな検査方法が欠如している。 本稿では,顕微鏡画像中の寄生卵を自動的に識別するために,YOLOv5や変種カスケードRCNNなどの物体検出器を適用した。
  論文  参考訳（メタデータ） (2022-07-04T13:53:46Z)
• Harmonizing Pathological and Normal Pixels for Pseudo-healthy Synthesis [68.5287824124996]
  そこで本研究では,新しいタイプの識別器であるセグメンタを提案し,病変の正確な特定と擬似健康画像の視覚的品質の向上を図っている。 医用画像強調に生成画像を適用し,低コントラスト問題に対処するために拡張結果を利用する。 BraTSのT2モダリティに関する総合的な実験により、提案手法は最先端の手法よりも大幅に優れていることが示された。
  論文  参考訳（メタデータ） (2022-03-29T08:41:17Z)
• Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
  コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。 そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-10-27T18:54:25Z)
• Automated Prostate Cancer Diagnosis Based on Gleason Grading Using Convolutional Neural Network [12.161266795282915]
  そこで本研究では,前立腺癌(PCa)の完全分類のための畳み込みニューラルネットワーク(CNN)を用いた自動分類法を提案する。 Patch-Based Image Reconstruction (PBIR) と呼ばれるデータ拡張手法が提案され,WSIの高分解能化と多様性の向上が図られた。 対象データセットへの事前学習モデルの適応性を高めるために,分布補正モジュールを開発した。
  論文  参考訳（メタデータ） (2020-11-29T06:42:08Z)
• Modeling and Enhancing Low-quality Retinal Fundus Images [167.02325845822276]
  低画質の眼底画像は臨床観察における不確実性を高め、誤診のリスクを引き起こす。 本稿では,グローバルな劣化要因を抑えるために,臨床指向の基盤拡張ネットワーク(cofe-Net)を提案する。 合成画像と実画像の両方の実験により、我々のアルゴリズムは網膜の細部を失うことなく、低品質の眼底画像を効果的に補正することを示した。
  論文  参考訳（メタデータ） (2020-05-12T08:01:16Z)

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。