Disentangled Autoencoder for Cross-Stain Feature Extraction in Pathology Image Analysis
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216224%3A14310%2F20%3A00114485" target="_blank" >RIV/00216224:14310/20:00114485 - isvavai.cz</a>
Výsledek na webu
<a href="https://doi.org/10.3390/app10186427" target="_blank" >https://doi.org/10.3390/app10186427</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.3390/app10186427" target="_blank" >10.3390/app10186427</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Disentangled Autoencoder for Cross-Stain Feature Extraction in Pathology Image Analysis
Popis výsledku v původním jazyce
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.
Název v anglickém jazyce
Disentangled Autoencoder for Cross-Stain Feature Extraction in Pathology Image Analysis
Popis výsledku anglicky
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.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10511 - Environmental sciences (social aspects to be 5.7)
Návaznosti výsledku
Projekt
Výsledek vznikl pri realizaci vícero projektů. Více informací v záložce Projekty.
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
Applied Sciences
ISSN
2076-3417
e-ISSN
2076-3417
Svazek periodika
10
Číslo periodika v rámci svazku
18
Stát vydavatele periodika
CH - Švýcarská konfederace
Počet stran výsledku
14
Strana od-do
1-14
Kód UT WoS článku
000580750500001
EID výsledku v databázi Scopus
2-s2.0-85092060091