論文の概要: StainPresetNet: Stain Preset Network for Fast Multi-to-Multi Stain Normalization

• arxiv url: http://arxiv.org/abs/2609.01146v1
• Date: Tue, 01 Sep 2026 12:20:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-02 16:31:36.644385
• Title: StainPresetNet: Stain Preset Network for Fast Multi-to-Multi Stain Normalization
• Title（参考訳）: StainPresetNet: 高速マルチツーマルチステイン正規化のためのステインプレセットネットワーク
• Authors: Hongtao Kang, Die Luo, Li Chen, Jing Cai, Junbo Hu, Xiuli Liu, Shenghua Cheng,
• Abstract要約: Stain normalizationは、染色プロトコルや撮像条件の変化による色の変化を減らす。 従来の手法は、ピクセルワイズ変換を通じて、個々のまたは限られた参照画像から関係を導出する。 構造保存とデータセットレベルのカラーマッピングを組み合わせた新しいフレームワークであるStainPresetNetを提案する。
• 参考スコア（独自算出の注目度）: 8.831403568775922
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Stain normalization reduces color variations caused by variations in staining protocols and imaging conditions, thereby enhancing computer-aided diagnostic system performance. Traditional methods derive mapping relationships from individual or limited reference images through pixel-wise transformation, offering style flexibility but suffering from inaccurate color mapping extraction. While existing deep-learning-based approaches achieve accurate dataset-wide color mapping through complex neural networks, they face challenges including computational inefficiency, artifact generation, and fixed normalization directions requiring model retraining for directional changes. To address these limitations, we propose StainPresetNet - a novel framework that combines structural preservation with dataset-level color mapping while maintaining computational efficiency. Our method implements pixel-wise normalization guided by preset reference images, enabling multi-directional adaptability without retraining. Evaluations on cytopathology and histopathology datasets demonstrate that StainPresetNet achieves superior color mapping accuracy compared to conventional methods, effectively improves classifier generalization in diagnostic tasks, and reduces computational overhead by 90\% versus existing deep learning approaches. The proposed preset-guided mechanism facilitates flexible adjustment of normalization directions through simple reference image replacement, overcoming the directional rigidity of current deep-learning-based solutions.
• Abstract（参考訳）: Stain normalizationは、染色プロトコルや撮像条件の変化による色の変化を低減し、コンピュータ支援診断システムの性能を向上させる。 従来の方法では、個々のまたは限られた参照画像からのマッピング関係をピクセル単位で変換し、スタイルの柔軟性を提供するが、不正確なカラーマッピング抽出に苦しむ。 既存のディープラーニングベースのアプローチは、複雑なニューラルネットワークを通じて正確なデータセット全体のカラーマッピングを実現するが、計算の非効率性、アーティファクト生成、方向変更のためにモデル再トレーニングを必要とする固定正規化方向といった課題に直面している。 計算効率を保ちながら、構造保存とデータセットレベルのカラーマッピングを組み合わせた新しいフレームワークであるStainPresetNetを提案する。 提案手法は,予め設定した参照画像で導かれる画素ワイド正規化を実装し,再トレーニングなしに多方向適応性を実現する。 細胞病理学および病理組織学的データセットの評価から、StainPresetNetは従来の方法よりも優れたカラーマッピング精度を実現し、診断タスクにおける分類器の一般化を効果的に改善し、既存のディープラーニングアプローチと比較して計算オーバーヘッドを90%削減することを示した。 提案したプリセット誘導機構は, 単純な参照画像置換による正規化方向のフレキシブルな調整を容易にする。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• 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)
• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• ParamNet: A Dynamic Parameter Network for Fast Multi-to-One Stain Normalization [7.445982133272948]
  静止正規化は、デジタル病理画像の色と明るさの差を効果的に低減することができる。 本研究では,動的パラメータネットワークを導入し,ParamNetと呼ばれる新しい染色正規化法を提案する。 その結果、ParamNetは25秒で10万×100,000のスライド画像(WSI)を正規化できることがわかった。
  論文  参考訳（メタデータ） (2023-05-11T01:24:32Z)
• Iterative Soft Shrinkage Learning for Efficient Image Super-Resolution [91.3781512926942]
  画像超解像(SR)は、CNNからトランスフォーマーアーキテクチャへの広範なニューラルネットワーク設計を目撃している。 本研究は,市販のネットワーク設計を生かし,基礎となる計算オーバーヘッドを低減するため,超高解像度イテレーションにおけるネットワークプルーニングの可能性について検討する。 本研究では, ランダムネットワークのスパース構造を最適化し, 重要でない重みを小さめに微調整することにより, 反復型軟収縮率(ISS-P)法を提案する。
  論文  参考訳（メタデータ） (2023-03-16T21:06:13Z)
• Learning Discriminative Shrinkage Deep Networks for Image Deconvolution [122.79108159874426]
  本稿では,これらの用語を暗黙的にモデル化する識別的縮小関数を学習することで,効果的に非盲検デコンボリューション手法を提案する。 実験結果から,提案手法は最先端の手法に対して,効率と精度の点で好適に動作することがわかった。
  論文  参考訳（メタデータ） (2021-11-27T12:12:57Z)
• Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
  空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。 本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
  論文  参考訳（メタデータ） (2021-08-19T11:02:25Z)
• StainNet: a fast and robust stain normalization network [0.7796684624647288]
  本稿では、StainNetという1.28Kパラメータのみを持つ高速かつ堅牢な染色正規化ネットワークを提案する。 提案手法は染色正常化が良好であり,精度と画質が向上した。
  論文  参考訳（メタデータ） (2020-12-23T08:16:27Z)
• Fast, Self Supervised, Fully Convolutional Color Normalization of H&E Stained Images [3.1329883315045106]
  色の変化は、病理組織学における自動診断システムのためのディープラーニングベースのソリューションの展開に問題を引き起こす。 本稿では,自己教師付きトレーニングと推論において高速な色正規化手法を提案する。 本手法は,軽量な完全畳み込みニューラルネットワークをベースとして,深層学習に基づくパイプラインに前処理ブロックとして容易に取り付けることができる。
  論文  参考訳（メタデータ） (2020-11-30T17:05:58Z)

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。