論文の概要: CP-Dilatation: A Copy-and-Paste Augmentation Method for Preserving the Boundary Context Information of Histopathology Images

• arxiv url: http://arxiv.org/abs/2507.04660v1
• Date: Mon, 07 Jul 2025 04:34:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-08 15:46:35.277913
• Title: CP-Dilatation: A Copy-and-Paste Augmentation Method for Preserving the Boundary Context Information of Histopathology Images
• Title（参考訳）: CP-Dilatation: 病理組織像の境界コンテキスト情報保存のためのcopy-and-Paste Augmentation法
• Authors: Sungrae Hong, Sol Lee, Mun Yong Yi,
• Abstract要約: 本稿では,CP-Dilatation と呼ばれる従来の Copy and Paste (CP) Augmentation 技術に基づく新しいデータ拡張手法を提案する。 従来のCP手法では,悪性度の境界コンテキスト情報を保存できる拡張演算が提案されている。 病理組織学的ベンチマークを用いた実験では, 提案手法は, 比較のために選択された他の最先端ベースラインよりも優れていることがわかった。
• 参考スコア（独自算出の注目度）: 2.7855886538423182
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medical AI diagnosis including histopathology segmentation has derived benefits from the recent development of deep learning technology. However, deep learning itself requires a large amount of training data and the medical image segmentation masking, in particular, requires an extremely high cost due to the shortage of medical specialists. To mitigate this issue, we propose a new data augmentation method built upon the conventional Copy and Paste (CP) augmentation technique, called CP-Dilatation, and apply it to histopathology image segmentation. To the well-known traditional CP technique, the proposed method adds a dilation operation that can preserve the boundary context information of the malignancy, which is important in histopathological image diagnosis, as the boundary between the malignancy and its margin is mostly unclear and a significant context exists in the margin. In our experiments using histopathology benchmark datasets, the proposed method was found superior to the other state-of-the-art baselines chosen for comparison.
• Abstract（参考訳）: 病理組織学的セグメンテーションを含む医療AI診断は、近年のディープラーニング技術の進歩から恩恵を受けている。 しかし、深層学習そのものには大量のトレーニングデータが必要であり、特に医療専門家が不足しているため、医用画像分割マスキングには非常にコストがかかる。 そこで本研究では,CP-Dilatation と呼ばれる従来の Copy and Paste (CP) Augmentation 技術に基づく新しいデータ拡張手法を提案する。 従来のCP法では, 悪性と縁縁の境界がほとんど不明であり, マージンに有意なコンテキストが存在するため, 病理画像診断において重要な悪性の境界コンテキスト情報を保存できる拡張操作が提案されている。 病理組織学的ベンチマークを用いた実験では, 提案手法は, 比較のために選択された他の最先端ベースラインよりも優れていることがわかった。

関連論文リスト

• The Application of Deep Learning for Lymph Node Segmentation: A Systematic Review [6.984492112936471]
  ディープラーニング技術の導入は、リンパ節画像解析の精度を向上させる新たな可能性を提供する。 進歩にもかかわらず、リンパ節の形状の多様性、正確にラベル付けされたデータセットの不足、堅牢で一般化可能な方法の不十分な開発といった課題に直面している。 本研究は, マルチモーダル融合技術, 伝達学習, 大規模事前学習モデルの適用など, 今後の研究の方向性についても検討する。
  論文  参考訳（メタデータ） (2025-05-09T15:17:00Z)
• PathSegDiff: Pathology Segmentation using Diffusion model representations [63.20694440934692]
  そこで我々は,Latent Diffusion Models (LDMs) を事前学習した特徴抽出器として活用する,病理組織像分割の新しい手法であるPathSegDiffを提案する。 本手法は,H&E染色組織像から多彩な意味情報を抽出するために,自己教師型エンコーダによって誘導される病理特異的LCMを用いる。 本実験は,BCSSおよびGlaSデータセットにおける従来の手法よりも大幅に改善されたことを示す。
  論文  参考訳（メタデータ） (2025-04-09T14:58:21Z)
• Anatomy-guided Pathology Segmentation [56.883822515800205]
  本研究では, 解剖学的特徴と病理学的情報を組み合わせた汎用的セグメンテーションモデルを構築し, 病理学的特徴のセグメンテーション精度を高めることを目的とする。 我々の解剖学・病理学交流(APEx)訓練では,ヒト解剖学の問合せ表現に結合特徴空間をデコードする問合せベースのセグメンテーション変換器を用いている。 これにより、FDG-PET-CTとChest X-Rayの病理分類タスクにおいて、強力なベースライン法に比べて最大3.3%のマージンで、ボード全体で最高の結果を報告できる。
  論文  参考訳（メタデータ） (2024-07-08T11:44:15Z)
• COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
  本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。 COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。 本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
  論文  参考訳（メタデータ） (2024-04-19T12:09:49Z)
• Deep PCCT: Photon Counting Computed Tomography Deep Learning Applications Review [2.546256902486781]
  臨床前研究におけるPCCTの最近の展開と応用について概観する。 PCCTは乳房の微妙な異常の検出に顕著な効果を示した。 さらに,PCCTへの深層学習の統合と,放射能特性の研究についても検討している。
  論文  参考訳（メタデータ） (2024-02-06T17:00:19Z)
• Domain Transfer Through Image-to-Image Translation for Uncertainty-Aware Prostate Cancer Classification [42.75911994044675]
  前立腺MRIの非対位画像翻訳のための新しいアプローチと臨床的に重要なPCaを分類するための不確実性認識トレーニングアプローチを提案する。 提案手法では,無ペアの3.0T多パラメータ前立腺MRIを1.5Tに翻訳し,利用可能なトレーニングデータを増強する。 実験の結果,提案手法は,従来の研究に比べてAUC(Area Under ROC Curve)を20%以上改善することがわかった。
  論文  参考訳（メタデータ） (2023-07-02T05:26:54Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。