StainFuser: Controlling Diffusion for Faster Neural Style Transfer in Multi-Gigapixel Histology Images

要約

染色正規化アルゴリズムは、ソースのマルチギガピクセル組織学画像の色と強度の特性をターゲット画像の色と強度の特性と一致するように変換し、画像内の細胞成分を強調するために使用される染色の外観の不一致を軽減することを目的としています。
私たちは、この問題を新しい条件付き潜在拡散アーキテクチャを使用したスタイル転送タスクとして扱い、手作りのカラー コンポーネントの必要性を排除する新しいアプローチである StainFuser を提案します。
この方法では、高品質の変換のためのニューラル スタイル転送を備えた 200 万枚を超える組織像のこれまでで最大の染色正規化データセットである SPI-2M を厳選します。
このデータに基づいてトレーニングされた StainFuser は、正規化された画像の品質と CoNIC データセットでの下流モデルのパフォーマンスの点で、現在の最先端の深層学習や手作りの手法よりも優れています。

要約(オリジナル)

Stain normalization algorithms aim to transform the color and intensity characteristics of a source multi-gigapixel histology image to match those of a target image, mitigating inconsistencies in the appearance of stains used to highlight cellular components in the images. We propose a new approach, StainFuser, which treats this problem as a style transfer task using a novel Conditional Latent Diffusion architecture, eliminating the need for handcrafted color components. With this method, we curate SPI-2M the largest stain normalization dataset to date of over 2 million histology images with neural style transfer for high-quality transformations. Trained on this data, StainFuser outperforms current state-of-the-art deep learning and handcrafted methods in terms of the quality of normalized images and in terms of downstream model performance on the CoNIC dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google