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)
• 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)

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。