論文の概要: Resource-Frugal Classification and Analysis of Pathology Slides Using Image Entropy

• arxiv url: http://arxiv.org/abs/2002.07621v3
• Date: Wed, 2 Dec 2020 19:26:41 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 18:26:13.084542
• Title: Resource-Frugal Classification and Analysis of Pathology Slides Using Image Entropy
• Title（参考訳）: 画像エントロピーを用いた病理スライドの資源・資源分類と解析
• Authors: Steven J. Frank
• Abstract要約: 肺悪性腫瘍の病理組織学的スライドは、リソースフルーガル畳み込みニューラルネットワーク(CNN)を用いて分類される 軽量CNNは、スライドを分類するために集約されたタイルレベルの分類を生成する。 カラー符号化された確率マップは、タイルの重なり合い、タイルレベルの確率をピクセルレベルで平均化する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathology slides of lung malignancies are classified using resource-frugal convolution neural networks (CNNs) that may be deployed on mobile devices. In particular, the challenging task of distinguishing adenocarcinoma (LUAD) and squamous-cell carcinoma (LUSC) lung cancer subtypes is approached in two stages. First, whole-slide histopathology images are downsampled to a size too large for CNN analysis but large enough to retain key anatomic detail. The downsampled images are decomposed into smaller square tiles, which are sifted based on their image entropies. A lightweight CNN produces tile-level classifications that are aggregated to classify the slide. The resulting accuracies are comparable to those obtained with much more complex CNNs and larger training sets. To allow clinicians to visually assess the basis for the classification -- that is, to see the image regions that underlie it -- color-coded probability maps are created by overlapping tiles and averaging the tile-level probabilities at a pixel level.
• Abstract（参考訳）: 肺腫瘍の病態スライドは、モバイルデバイスにデプロイされる可能性のあるリソースフルーガル畳み込みニューラルネットワーク(CNN)を用いて分類される。 特に,腺癌 (LUAD) と扁平上皮癌 (LUSC) を鑑別する課題は, 2段階に分けて検討する。 まず、CNN解析には大きすぎるが、重要な解剖学的詳細を保持するのに十分な大きさである。 ダウンサンプリングされた画像はより小さな四角いタイルに分解され、画像エントロピーに基づいてふるいにかけられる。 軽量CNNは、スライドを分類するために集約されたタイルレベルの分類を生成する。 結果として得られた精度は、より複雑なCNNとより大きなトレーニングセットで得られたものと同等である。 臨床医が分類の基礎を視覚的に評価できるようにするため、すなわち、色分けされた確率マップが、タイルの重なり合い、タイルレベルの確率をピクセルレベルで平均化することによって生成される。

関連論文リスト

• LDCSF: Local depth convolution-based Swim framework for classifying multi-label histopathology images [4.337832783226794]
  局所的な深層畳み込み型スイムフレームワーク (LDCSF) を提案し, マルチラベル病理像の分類を行った。 間質領域,壊死,非腫瘍,腫瘍のLCCSFの分類精度は0.9460,0.9960,0.9808,0.9847であった。
  論文  参考訳（メタデータ） (2023-08-21T03:44:54Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• CEC-CNN: A Consecutive Expansion-Contraction Convolutional Network for Very Small Resolution Medical Image Classification [0.8108972030676009]
  深層・中層・浅層からのマルチスケール特徴を保存できる新しいCNNアーキテクチャを提案する。 膵管腺癌(PDAC)CTの超低解像度パッチのデータセットを用いて,我々のネットワークが最先端のアートモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-27T20:01:12Z)
• Preservation of High Frequency Content for Deep Learning-Based Medical Image Classification [74.84221280249876]
  大量の胸部ラジオグラフィーの効率的な分析は、医師や放射線技師を助けることができる。 本稿では,視覚情報の効率的な識別と符号化のための離散ウェーブレット変換(DWT)を提案する。
  論文  参考訳（メタデータ） (2022-05-08T15:29:54Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning [2.4178424543973267]
  診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。 病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。 本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
  論文  参考訳（メタデータ） (2020-02-16T10:29:16Z)
• Analysis Of Multi Field Of View Cnn And Attention Cnn On H&E Stained Whole-slide Images On Hepatocellular Carcinoma [1.7188280334580195]
  全スライド画像は、分類とセグメンテーションのために畳み込みニューラルネットワークを割り当てるために使用される。 分類問題に対するタイルサイズの影響を解析する。 複数のタイルサイズを採用することで、分類性能が3.97%向上することが判明した。
  論文  参考訳（メタデータ） (2020-02-12T08:18:40Z)

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。