論文の概要: Systematic Evaluation of Preprocessing Techniques for Accurate Image Registration in Digital Pathology

• arxiv url: http://arxiv.org/abs/2511.04171v1
• Date: Thu, 06 Nov 2025 08:22:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-07 20:17:53.361177
• Title: Systematic Evaluation of Preprocessing Techniques for Accurate Image Registration in Digital Pathology
• Title（参考訳）: デジタル病理における正確な画像登録のための前処理手法の体系的評価
• Authors: Fatemehzahra Darzi, Rodrigo Escobar Diaz Guerrero, Thomas Bocklitz,
• Abstract要約: 色変換がヘマトキシリンとエオシン染色画像と非線形マルチモーダル画像間の画像登録に与える影響について検討した。 サイクルGAN色変換は最低登録誤差を達成し,他の手法では高い誤差を示した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Image registration refers to the process of spatially aligning two or more images by mapping them into a common coordinate system, so that corresponding anatomical or tissue structures are matched across images. In digital pathology, registration enables direct comparison and integration of information from different stains or imaging modalities, sup-porting applications such as biomarker analysis and tissue reconstruction. Accurate registration of images from different modalities is an essential step in digital pathology. In this study, we investigated how various color transformation techniques affect image registration between hematoxylin and eosin (H&E) stained images and non-linear multimodal images. We used a dataset of 20 tissue sample pairs, with each pair undergoing several preprocessing steps, including different color transformation (CycleGAN, Macenko, Reinhard, Vahadane), inversion, contrast adjustment, intensity normalization, and denoising. All images were registered using the VALIS registration method, which first applies rigid registration and then performs non-rigid registration in two steps on both low and high-resolution images. Registration performance was evaluated using the relative Target Registration Error (rTRE). We reported the median of median rTRE values (MMrTRE) and the average of median rTRE values (AMrTRE) for each method. In addition, we performed a custom point-based evaluation using ten manually selected key points. Registration was done separately for two scenarios, using either the original or inverted multimodal images. In both scenarios, CycleGAN color transformation achieved the lowest registration errors, while the other methods showed higher errors. These findings show that applying color transformation before registration improves alignment between images from different modalities and supports more reliable analysis in digital pathology.
• Abstract（参考訳）: 画像登録は、2つ以上の画像を共通の座標系にマッピングすることで空間的に整列するプロセスを指し、対応する解剖学的構造や組織構造が画像間で一致するようにしている。 デジタル病理学において、登録は異なる染色や画像のモダリティからの情報の直接比較と統合を可能にする。 異なるモダリティからの正確な画像の登録は、デジタル病理学における重要なステップである。 本研究では,色変換がヘマトキシリンとエオシン(H&E)染色画像と非線形マルチモーダル画像間の画像登録に与える影響について検討した。 異なる色変換(CycleGAN, Macenko, Reinhard, Vahadane)、逆転、コントラスト調整、強度正規化、デノナイジングなどである。 全ての画像はVALIS登録法を用いて登録され、まず剛性登録を行い、次に低解像度画像と高解像度画像の2ステップで非剛性登録を行う。 相対目標登録誤差(rTRE)を用いて登録性能を評価した。 平均rTRE値 (MMrTRE) と中央rTRE値 (AMrTRE) の中央値 (AMrTRE) をそれぞれ報告した。 さらに,手動で選択した10個のキーポイントを用いたカスタムポイントベース評価を行った。 登録は2つのシナリオで別々に行われ、オリジナルまたは逆のマルチモーダル画像を使用する。 どちらのシナリオでも、CycleGAN色変換は最低の登録エラーを達成し、他の手法はより高いエラーを示した。 これらの結果から,登録前に色変換を適用することで,画像間のアライメントが向上し,デジタル病理学における信頼性が向上することが示された。

関連論文リスト

• Transformation trees -- documentation of multimodal image registration [0.0]
  マルチモーダル画像登録は、デジタル患者モデルの作成において重要な役割を果たす。 本稿では,変換木を構造化記録および変換管理の手法として用いることを提案する。
  論文  参考訳（メタデータ） (2025-01-31T13:49:16Z)
• MsMorph: An Unsupervised pyramid learning network for brain image registration [4.000367245594772]
  MsMorphは、イメージペアを登録する手動プロセスの模倣を目的とした、イメージ登録フレームワークである。 異なるスケールで意味情報をデコードし、予測された変形場に対して連続的に合成する。 提案手法は,画像ペアとその近傍の異なる領域に着目し,手動による登録手法をシミュレートする。
  論文  参考訳（メタデータ） (2024-10-23T19:20:57Z)
• AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided Multi-Domain Transfer [9.8359439975283]
  画素レベルのアライメントを回避し,画像の他の領域への変換を行う新しい仮想染色フレームワーク AGMDT を提案する。 提案するフレームワーク AGMDT は,球状率検出と二部グラフマッチングにより,複数ドメインのシリアルスライスにまたがるパッチレベルのアライメントペアを検出する。 実験の結果,提案したAGMDTは,高精度な画素レベルのアライメントと未ペアドメイン転送とのバランスが良好であることがわかった。
  論文  参考訳（メタデータ） (2023-09-12T17:37:56Z)
• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• 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)
• 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)
• CoMIR: Contrastive Multimodal Image Representation for Registration [4.543268895439618]
  我々は,CoMIR(Contrastive Multimodal Image Representations)と呼ばれる,共有された高密度画像表現を学習するためのコントラスト符号化を提案する。 CoMIRは、十分に類似した画像構造が欠如しているため、既存の登録方法がしばしば失敗するマルチモーダル画像の登録を可能にする。
  論文  参考訳（メタデータ） (2020-06-11T10:51:33Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。