Disentangled Autoencoder for Cross-Stain Feature Extraction in Pathology Image Analysis

Logo poskytovatele
Logo poskytovatele
Logo poskytovatele

Varování

Publikace nespadá pod Filozofickou fakultu, ale pod Přírodovědeckou fakultu. Oficiální stránka publikace je na webu muni.cz.
Autoři

HECHT Helge POPOVICI Vlad MHD HASAN Sarhan SARHAN Hasan POPOVICI Vlad

Rok publikování 2020
Druh Článek v odborném periodiku
Časopis / Zdroj Applied Sciences
Fakulta / Pracoviště MU

Přírodovědecká fakulta

Citace
www https://doi.org/10.3390/app10186427
Doi http://dx.doi.org/10.3390/app10186427
Klíčová slova digital pathology; image registration; deep learning; disentangled autoencoder
Přiložené soubory
Popis A novel deep autoencoder architecture is proposed for the analysis of histopathology images. Its purpose is to produce a disentangled latent representation in which the structure and colour information are confined to different subspaces so that stain-independent models may be learned. For this, we introduce two constraints on the representation which are implemented as a classifier and an adversarial discriminator. We show how they can be used for learning a latent representation across haematoxylin-eosin and a number of immune stains. Finally, we demonstrate the utility of the proposed representation in the context of matching image patches for registration applications and for learning a bag of visual words for whole slide image summarization.
Související projekty:

Používáte starou verzi internetového prohlížeče. Doporučujeme aktualizovat Váš prohlížeč na nejnovější verzi.