論文の概要: Adaptive Stain Normalization for Cross-Domain Medical Histology

• arxiv url: http://arxiv.org/abs/2510.06592v1
• Date: Wed, 08 Oct 2025 02:53:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-09 16:41:20.268048
• Title: Adaptive Stain Normalization for Cross-Domain Medical Histology
• Title（参考訳）: クロスドメイン医療組織学における適応染色法
• Authors: Tianyue Xu, Yanlin Wu, Abhai K. Tripathi, Matthew M. Ippolito, Benjamin D. Haeffele,
• Abstract要約: ディープラーニングでは、染色プロトコルと撮像条件の違いは、大きな彩色性をもたらす可能性がある。 本稿では,物体検出や分類などの下流タスクに対して,任意のバックボーンネットワークと統合可能なトレーニング可能な色正規化モデルを提案する。 本手法は,多くの最先端の染色正規化法より優れる。
• 参考スコア（独自算出の注目度）: 5.625016805187324
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning advances have revolutionized automated digital pathology analysis. However, differences in staining protocols and imaging conditions can introduce significant color variability. In deep learning, such color inconsistency often reduces performance when deploying models on data acquired under different conditions from the training data, a challenge known as domain shift. Many existing methods attempt to address this problem via color normalization but suffer from several notable drawbacks such as introducing artifacts or requiring careful choice of a template image for stain mapping. To address these limitations, we propose a trainable color normalization model that can be integrated with any backbone network for downstream tasks such as object detection and classification. Based on the physics of the imaging process per the Beer-Lambert law, our model architecture is derived via algorithmic unrolling of a nonnegative matrix factorization (NMF) model to extract stain-invariant structural information from the original pathology images, which serves as input for further processing. Experimentally, we evaluate the method on publicly available pathology datasets and an internally curated collection of malaria blood smears for cross-domain object detection and classification, where our method outperforms many state-of-the-art stain normalization methods. Our code is available at https://github.com/xutianyue/BeerLaNet.
• Abstract（参考訳）: ディープラーニングの進歩は、自動デジタル病理分析に革命をもたらした。 しかし、染色プロトコルと撮像条件の違いは、大きな彩色性をもたらす可能性がある。 ディープラーニングでは、このような色の不整合は、トレーニングデータから異なる条件下で取得したデータにモデルをデプロイする際に、しばしばパフォーマンスを低下させる。 既存の多くの手法は、色正規化によってこの問題に対処しようとするが、アーティファクトの導入やステンレスマッピングのためのテンプレートイメージの慎重に選択など、いくつかの顕著な欠点に悩まされている。 これらの制約に対処するために、オブジェクト検出や分類などの下流タスクのために、任意のバックボーンネットワークと統合可能なトレーニング可能な色正規化モデルを提案する。 本研究では,Beer-Lambert法則による画像処理の物理に基づいて,非負行列因子化(NMF)モデルのアルゴリズムアンロールにより,元の病理像から染色不変構造情報を抽出し,さらなる処理を行う。 実験により,本手法は現状の染料正規化法よりも優れており,本手法の有効性を検証した。 私たちのコードはhttps://github.com/xutianyue/BeerLaNet.comから入手可能です。

関連論文リスト

• A Value Mapping Virtual Staining Framework for Large-scale Histological Imaging [36.95712533471744]
  各種条件に適応可能な汎用仮想染色フレームワークを提案する。 そこで本研究では,異なる病態間の仮想色付けの精度を確保するために,値マッピング制約に基づく損失関数を提案する。
  論文  参考訳（メタデータ） (2025-01-07T07:45:21Z)
• Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
  染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。 大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
  論文  参考訳（メタデータ） (2024-11-21T23:50:30Z)
• 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)
• DARC: Distribution-Aware Re-Coloring Model for Generalizable Nucleus Segmentation [68.43628183890007]
  ドメインギャップは、異なるフォアグラウンド(核)-バックグラウンド比によっても引き起こされる可能性があると我々は主張する。 まず、異なる領域間の劇的な画像色変化を緩和する再カラー化手法を提案する。 次に,前景-背景比の変動に頑健な新しいインスタンス正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-09-01T01:01:13Z)
• 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)
• Stain-Adaptive Self-Supervised Learning for Histopathology Image Analysis [3.8073142980733]
  病理画像解析のためのSASSL法を提案する。 当社のSASSLはSSLフレームワークにドメイン・アドバイザリ・トレーニング・モジュールを統合して,さまざまな変換やスタイラスのバリエーションに対して堅牢な特徴を学習しています。 実験結果から,提案手法はモデルの特徴抽出能力を頑健に向上できることが示された。
  論文  参考訳（メタデータ） (2022-08-08T09:54:46Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• 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)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)

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。