論文の概要: DSA-CycleGAN: A Domain Shift Aware CycleGAN for Robust Multi-Stain Glomeruli Segmentation

• arxiv url: http://arxiv.org/abs/2604.18368v1
• Date: Mon, 20 Apr 2026 14:57:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-21 21:52:52.954214
• Title: DSA-CycleGAN: A Domain Shift Aware CycleGAN for Robust Multi-Stain Glomeruli Segmentation
• Title（参考訳）: DSA-CycleGAN:ロバスト多段糸状体セグメンテーションのためのドメインシフト対応サイクルGAN
• Authors: Zeeshan Nisar, Friedrich Feuerhake, Thomas Lampert,
• Abstract要約: デジタル病理学におけるセグメンテーションの鍵となる課題は、個体間および個体内変異である。 CycleGANは、単一染色からのラベルを用いたマルチステインセグメンテーションモデルのトレーニングのために開発された。 本稿では,そのようなノイズの存在を低減させるドメインシフト対応サイクロンを提案する。
• 参考スコア（独自算出の注目度）: 0.18352113484137625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: A key challenge in segmentation in digital histopathology is inter- and intra-stain variations as it reduces model performance. Labelling each stain is expensive and time-consuming so methods using stain transfer via CycleGAN, have been developed for training multi-stain segmentation models using labels from a single stain. Nevertheless, CycleGAN tends to introduce noise during translation because of the one-to-many nature of some stain pairs, which conflicts with its cycle consistency loss. To address this, we propose the Domain Shift Aware CycleGAN, which reduces the presence of such noise. Furthermore, we evaluate several advances from the field of machine learning aimed at resolving similar problems and compare their effectiveness against DSA-CycleGAN in the context of multi-stain glomeruli segmentation. Experiments demonstrate that DSA-CycleGAN not only improves segmentation performance in glomeruli segmentation but also outperforms other methods in reducing noise. This is particularly evident when translating between biologically distinct stains. The code is publicly available at https://github.com/zeeshannisar/DSA-CycleGAN.
• Abstract（参考訳）: デジタル病理学におけるセグメンテーションにおける重要な課題は、モデルの性能を低下させるため、定常的および定常的変動である。 各染色は高価で時間を要するため,CycleGANを用いた染色法が開発され,単一染色からのラベルを用いた複数染色セグメンテーションモデルの訓練が行われている。 それでも、CycleGANは、いくつかのステンドペアの1対1の性質のため、翻訳中にノイズを導入する傾向にあり、サイクルの整合性損失と矛盾する。 そこで本研究では,そのようなノイズを低減したDomain Shift Aware CycleGANを提案する。 さらに,類似した問題を解くことを目的とした機械学習の分野でのいくつかの進歩を評価し,DSA-CycleGANとの比較を行った。 実験により、DSA-CycleGANは、糸球体セグメンテーションにおけるセグメンテーション性能を向上するだけでなく、ノイズ低減における他の手法よりも優れていることが示された。 これは、生物学的に異なる染色を翻訳する際に特に顕著である。 コードはhttps://github.com/zeeshannisar/DSA-CycleGANで公開されている。

関連論文リスト

• Generalizing Abstention for Noise-Robust Learning in Medical Image Segmentation [2.597921446818458]
  禁制機構はクロスエントロピーの能力を高めることによって分類タスクに有効であることが証明されている。 本稿では,多種多様な損失関数のノイズ・ロバスト性を向上させる,普遍的かつモジュラーな禁忌フレームワークを提案する。 本フレームワークは, 抑止動作を誘導する情報正規化項と, 抑止ペナルティのためのより柔軟な省力性に基づく自動チューニングアルゴリズムの2つの重要なコンポーネントによる事前作業を改善する。
  論文  参考訳（メタデータ） (2026-01-20T14:57:56Z)
• FAST: Foreground-aware Diffusion with Accelerated Sampling Trajectory for Segmentation-oriented Anomaly Synthesis [30.846094090226444]
  本稿では,Anomaly-Informed Accelerated Smpling (AIAS) とForeground-Aware Restruction Module (FARM) の2つの新しいモジュールを特徴とする,フォアグラウンド対応拡散フレームワークを提案する。 AIAS(AIAS)は、セグメンテーション指向の産業的異常合成のために特別に設計された訓練不要サンプリングアルゴリズムである。 FARMは、サンプリングステップ毎にマスクされた前景領域内の異常認識ノイズを適応的に調整し、復調軌跡全体にわたって局所的な異常信号を保存する。
  論文  参考訳（メタデータ） (2025-09-24T16:28:15Z)
• UniSegDiff: Boosting Unified Lesion Segmentation via a Staged Diffusion Model [53.34835793648352]
  病変分割のための新しい拡散モデルフレームワークUniSegDiffを提案する。 UniSegDiffは、複数のモダリティと臓器にまたがる統一された方法で病変のセグメンテーションに対処する。 総合的な実験結果から、UniSegDiffは従来のSOTA(State-of-the-art)アプローチよりも大幅に優れていた。
  論文  参考訳（メタデータ） (2025-07-24T12:33:10Z)
• CausalCellSegmenter: Causal Inference inspired Diversified Aggregation Convolution for Pathology Image Segmentation [9.021612471640635]
  深層学習モデルは、病理画像解析の分野で、細胞核セグメンテーションに有望な性能を示した。 本稿では,Causal Inference Module (CIM) とDiversified Aggregation Convolution (DAC) を組み合わせた新しいフレームワークCausalCellSegmenterを提案する。
  論文  参考訳（メタデータ） (2024-03-10T03:04:13Z)
• Effective Causal Discovery under Identifiable Heteroscedastic Noise Model [45.98718860540588]
  因果DAG学習は、最近精度と効率の両面で有望な性能を達成した。 本稿では,変数間のノイズ分散の変動を考慮したDAG学習のための新しい定式化を提案する。 次に、最適化の難しさに対処する効果的な2相反復DAG学習アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:51:58Z)
• SegRefiner: Towards Model-Agnostic Segmentation Refinement with Discrete Diffusion Process [102.18226145874007]
  そこで我々は,異なるセグメンテーションモデルによって生成されるオブジェクトマスクの品質を高めるために,SegRefinerと呼ばれるモデルに依存しないソリューションを提案する。 SegRefinerは粗いマスクを入力として取り、離散拡散プロセスを用いてそれらを洗練する。 さまざまな種類の粗いマスクにわたるセグメンテーションメトリックとバウンダリメトリックの両方を一貫して改善する。
  論文  参考訳（メタデータ） (2023-12-19T18:53:47Z)
• Towards Robust Few-shot Point Cloud Semantic Segmentation [57.075074484313]
  ショットポイントのクラウドセマンティックセグメンテーションは、少数のサポートセットのサンプルだけで、新しい見えないクラスに迅速に適応するようにモデルをトレーニングすることを目的としている。 本稿では,識別的特徴表現を学習するためのコンポーネントレベルクリーンノイズ分離(CCNS)表現学習を提案する。 また,MDNS(Multi-scale Degree-based Noise Suppression)方式を提案する。
  論文  参考訳（メタデータ） (2023-09-20T11:40:10Z)
• CVF-SID: Cyclic multi-Variate Function for Self-Supervised Image Denoising by Disentangling Noise from Image [53.76319163746699]
  そこで本研究では,CVF-SIDと呼ばれる,新しい,強力な自己監督型デノベーション手法を提案する。 CVF-SIDは、様々な自己教師付き損失項を活用することにより、入力からクリーンな画像とノイズマップを分離することができる。 最先端の自己監督型画像復調性能を達成し、既存のアプローチに匹敵する。
  論文  参考訳（メタデータ） (2022-03-24T11:59:28Z)
• Improving Performance of Semantic Segmentation CycleGANs by Noise Injection into the Latent Segmentation Space [35.71822843703423]
  セマンティックセグメンテーションとサイクル一貫性の概念を組み合わせることで,マルチタスクトレーニングプロトコルを実現する。 本稿では,潜伏分節領域の透かしとして表現する,いわゆるステガノグラフィー効果に対処するノイズ注入法を提案する。 ノイズ注入は透かしの生成を著しく減らし,高い関連クラスを認識できるようにする。
  論文  参考訳（メタデータ） (2022-01-17T14:10:27Z)

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。