Jove
Visualize
お問い合わせ
JoVE
x logofacebook logolinkedin logoyoutube logo
JoVEについて
概要リーダーシップブログJoVEヘルプセンター
著者向け
出版プロセス編集委員会範囲と方針査読よくある質問投稿
図書館員向け
推薦の声購読アクセスリソース図書館諮問委員会よくある質問
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experimentsアーカイブ
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教員リソースセンター教員サイト
利用規約
プライバシーポリシー
ポリシー

関連する実験動画

Updated: Jan 8, 2026

A Human Cerebral Organoid Model of Neural Cell Transplantation
08:58

A Human Cerebral Organoid Model of Neural Cell Transplantation

Published on: July 21, 2023

1.9K

病理核画像拡張のためのCLIPガイド付き生成ネットワーク

Yanan Zhang1, Qingyang Liu1, Qian Chen1

  • 1Image Processing Center, Beihang University, Beijing, 102206, China.

Medical image analysis
|December 20, 2025
PubMed
まとめ
この要約は機械生成です。

関連する概念動画

こちらも読む

関連記事

共著者、ジャーナル、引用グラフによってこの研究に関連する記事。

並び替え
Same author

Band structure engineering of monolayer MoS₂ by surface ligand functionalization for enhanced photoelectrochemical hydrogen production activity.

Nanoscale·2014
Same author

Hippo signaling influences HNF4A and FOXA2 enhancer switching during hepatocyte differentiation.

Cell reports·2014
Same author

Enumeration, genetic characterization and antimicrobial susceptibility of Lactobacillus and Streptococcus isolates from retail yoghurt in Beijing, China.

Biomedical and environmental sciences : BES·2014
Same author

Pleiotropy of the Drosophila JAK pathway cytokine Unpaired 3 in development and aging.

Developmental biology·2014
Same author

Stackelberg game of buyback policy in supply chain with a risk-averse retailer and a risk-averse supplier based on CVaR.

PloS one·2014
Same author

Topological transport and atomic tunnelling-clustering dynamics for aged Cu-doped Bi2Te3 crystals.

Nature communications·2014

この研究では、計算病理学における核のセグメンテーションと分類を改善するためのCLIPガイド付き敵対的生成ネットワーク（GAN）を使用した新しいデータ拡張方法を紹介します。このアプローチは、手動アノテーションなしで多様な合成病理画像を生成することにより、深層学習モデルのパフォーマンスを向上させます。

科学分野:

  • 計算病理学
  • 医用画像解析
  • 深層学習

背景:

  • 正確な核のセグメンテーションと分類は、計算病理学（CPath）にとって不可欠です。
  • 高いアノテーションコストが、病理画像に対する深層学習モデルのトレーニングデータを制限しています。
  • 既存の敵対的生成ネットワーク（GAN）は、核マスクの多クラスデータスケーラビリティに苦労しています。

研究 の 目的:

  • 核のセグメンテーションと分類のためのCLIPガイド付き生成データ拡張方法を開発すること。
  • 現在のGANが多クラス病理データを多様に生成する際の限界を克服すること。
  • 合成データ生成を通じて計算病理学における深層学習モデルのパフォーマンスを向上させること。

主な方法:

  • 病理CLIPテキストおよび画像エンコーダーを使用したCLIPガイド付き生成データ拡張アプローチを利用しました。
  • 組織病理画像と核マスク（臓器タイプ、細胞数、核タイプ）からテキストの説明を生成しました。
  • リアルな画像合成のために、マルチモーダル条件付き画像ジェネレーターと（高解像度およびCLIPベースの）デュアルディスクリミネーターを採用しました。

主要な成果:

  • 提案手法が多様な公開病理核データセットで有効であることを実証しました。
キーワード:
データ拡張敵対的生成ネットワーク核のセグメンテーションと分類視覚言語基盤モデル

さらに関連する動画

Using Computer Vision Libraries to Streamline Nuclei Quantification
06:25

Using Computer Vision Libraries to Streamline Nuclei Quantification

Published on: June 6, 2025

602
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K

関連する実験動画

Last Updated: Jan 8, 2026

A Human Cerebral Organoid Model of Neural Cell Transplantation
08:58

A Human Cerebral Organoid Model of Neural Cell Transplantation

Published on: July 21, 2023

1.9K
Using Computer Vision Libraries to Streamline Nuclei Quantification
06:25

Using Computer Vision Libraries to Streamline Nuclei Quantification

Published on: June 6, 2025

602
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

3.3K
  • 核のセグメンテーションと分類タスクでパフォーマンスが向上しました。
  • 定性的および定量的な分析を通じて手法を検証し、既存のアプローチに対する利点を強調しました。

    • 結論:

    • CLIPガイド付き生成データ拡張方法は、計算病理学における核のセグメンテーションと分類を大幅に強化します。
    • このアプローチは、追加の手動アノテーションなしでトレーニングデータセットを効果的に拡張し、主要なボトルネックに対処します。
    • この方法は、デジタル病理学における深層学習の精度とスケーラビリティを向上させる可能性を示しています。