論文の概要: DiffusionQC: Artifact Detection in Histopathology via Diffusion Model

• arxiv url: http://arxiv.org/abs/2601.12233v1
• Date: Sun, 18 Jan 2026 02:59:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-01-21 22:47:22.515412
• Title: DiffusionQC: Artifact Detection in Histopathology via Diffusion Model
• Title（参考訳）: DiffusionQC:Diffusion Modelによる病理組織中のアーティファクト検出
• Authors: Zhenzhen Wang, Zhongliang Zhou, Zhuoyu Wen, Jeong Hwan Kook, John B Wojcik, John Kang,
• Abstract要約: 本研究では, 拡散モデルを用いて, クリーン画像中の人工物を外れ値として検出するDiffusionQCを提案する。 ピクセルレベルのアーティファクトアノテーションや事前に定義されたアーティファクトタイプではなく、トレーニング用のクリーンイメージのセットのみを必要とする。 実証実験の結果、最先端技術よりも優れた性能を示し、クロスステインな一般化能力を提供する。
• 参考スコア（独自算出の注目度）: 2.29008216212261
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Digital pathology plays a vital role across modern medicine, offering critical insights for disease diagnosis, prognosis, and treatment. However, histopathology images often contain artifacts introduced during slide preparation and digitization. Detecting and excluding them is essential to ensure reliable downstream analysis. Traditional supervised models typically require large annotated datasets, which is resource-intensive and not generalizable to novel artifact types. To address this, we propose DiffusionQC, which detects artifacts as outliers among clean images using a diffusion model. It requires only a set of clean images for training rather than pixel-level artifact annotations and predefined artifact types. Furthermore, we introduce a contrastive learning module to explicitly enlarge the distribution separation between artifact and clean images, yielding an enhanced version of our method. Empirical results demonstrate superior performance to state-of-the-art and offer cross-stain generalization capacity, with significantly less data and annotations.
• Abstract（参考訳）: デジタル病理学は近代医学において重要な役割を担い、疾患の診断、予後、治療に対する重要な洞察を提供する。 しかし、病理組織像には、スライド作成やデジタル化の際に導入されたアーティファクトが含まれていることが多い。 ダウンストリーム解析の信頼性を確保するためには,検出と排除が不可欠である。 従来の教師付きモデルは、典型的には大きな注釈付きデータセットを必要とするが、リソース集約であり、新しいアーティファクトタイプには一般化できない。 そこで我々はDiffusionQCを提案する。DiffusionQCは、拡散モデルを用いて、クリーン画像中の人工物を外れ値として検出する。 ピクセルレベルのアーティファクトアノテーションや事前に定義されたアーティファクトタイプではなく、トレーニング用のクリーンイメージのセットのみを必要とする。 さらに,アーティファクトとクリーンな画像の分布分離を明示的に拡張するコントラスト学習モジュールを導入し,提案手法の強化版を作成した。 実証的な結果は、最先端技術よりも優れた性能を示し、データやアノテーションをはるかに少なくして、クロスステインな一般化能力を提供する。

関連論文リスト

• 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)
• DiffDoctor: Diagnosing Image Diffusion Models Before Treating [57.82359018425674]
  DiffDoctorは2段階のパイプラインで、画像拡散モデルがより少ないアーティファクトを生成するのを支援する。 我々は100万以上の欠陥のある合成画像のデータセットを収集し、効率的なHuman-in-the-loopアノテーションプロセスを構築した。 次に、学習したアーティファクト検出器が第2段階に関与し、ピクセルレベルのフィードバックを提供することで拡散モデルを最適化する。
  論文  参考訳（メタデータ） (2025-01-21T18:56:41Z)
• Latent Drifting in Diffusion Models for Counterfactual Medical Image Synthesis [55.959002385347645]
  遅延ドリフトにより、医療画像に対して拡散モデルを条件付けし、反ファクト画像生成の複雑なタスクに適合させることができる。 我々は,脳MRIと胸部X線による3つの時系列的ベンチマークデータセットを用いて,対物画像生成法について検討した。
  論文  参考訳（メタデータ） (2024-12-30T01:59:34Z)
• Mask-guided cross-image attention for zero-shot in-silico histopathologic image generation with a diffusion model [0.10910416614141322]
  拡散モデルは、シリコン内画像を生成する最先端のソリューションである。 自然画像の出現伝達拡散モデルが設計されている。 計算病理学、特に腫瘍学では、画像内のどのオブジェクトを前景と背景に分類すべきかを簡単に定義することはできない。 我々は,クラス固有のAdaIN特徴量マッチングを交互に行うために,外観伝達指導を変更することで,拡散安定画像への外観伝達モデルの適用性に寄与する。
  論文  参考訳（メタデータ） (2024-07-16T12:36:26Z)
• Learned representation-guided diffusion models for large-image generation [58.192263311786824]
  自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。 我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。 実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
  論文  参考訳（メタデータ） (2023-12-12T14:45:45Z)
• Boosting Dermatoscopic Lesion Segmentation via Diffusion Models with Visual and Textual Prompts [27.222844687360823]
  我々は、病変特異的な視覚的およびテキスト的プロンプトを用いた制御フローを追加して、生成モデルの最新の進歩に適応する。 SSIM画像の品質測定では9%以上,Dice係数は5%以上向上する。
  論文  参考訳（メタデータ） (2023-10-04T15:43:26Z)
• Introducing Shape Prior Module in Diffusion Model for Medical Image Segmentation [7.7545714516743045]
  拡散確率モデル(DDPM)を利用したVerseDiff-UNetというエンドツーエンドフレームワークを提案する。 我々のアプローチは拡散モデルを標準のU字型アーキテクチャに統合する。 本手法はX線画像から得られた脊椎画像の1つのデータセットを用いて評価する。
  論文  参考訳（メタデータ） (2023-09-12T03:05:00Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• Your Diffusion Model is Secretly a Zero-Shot Classifier [90.40799216880342]
  大規模テキスト・画像拡散モデルからの密度推定をゼロショット分類に活用できることを示す。 分類に対する我々の生成的アプローチは、様々なベンチマークで強い結果が得られる。 我々の結果は、下流タスクにおける差別的モデルよりも生成的な利用に向けての一歩である。
  論文  参考訳（メタデータ） (2023-03-28T17:59:56Z)

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。