論文の概要: Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning

• arxiv url: http://arxiv.org/abs/2003.00823v1
• Date: Sun, 16 Feb 2020 10:29:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-31 17:31:33.550923
• Title: Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning
• Title（参考訳）: 多発学習を用いた乳癌病理組織像の分類と局在化
• Authors: Abhijeet Patil, Dipesh Tamboli, Swati Meena, Deepak Anand, Amit Sethi
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 2.4178424543973267
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Breast cancer has the highest mortality among cancers in women. Computer-aided pathology to analyze microscopic histopathology images for diagnosis with an increasing number of breast cancer patients can bring the cost and delays of diagnosis down. Deep learning in histopathology has attracted attention over the last decade of achieving state-of-the-art performance in classification and localization tasks. The convolutional neural network, a deep learning framework, provides remarkable results in tissue images analysis, but lacks in providing interpretation and reasoning behind the decisions. We aim to provide a better interpretation of classification results by providing localization on microscopic histopathology images. We frame the image classification problem as weakly supervised multiple instance learning problem where an image is collection of patches i.e. instances. Attention-based multiple instance learning (A-MIL) learns attention on the patches from the image to localize the malignant and normal regions in an image and use them to classify the image. We present classification and localization results on two publicly available BreakHIS and BACH dataset. The classification and visualization results are compared with other recent techniques. The proposed method achieves better localization results without compromising classification accuracy.
• Abstract（参考訳）: 乳癌は女性のがんの中で最も死亡率が高い。 乳がん患者の増加に伴う診断のために顕微鏡組織像を解析するコンピュータ支援病理学は、診断のコストと遅れ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。 深層学習フレームワークである畳み込みニューラルネットワークは、組織像解析において顕著な結果をもたらすが、決定の背後にある解釈や推論は提供できない。 本研究の目的は,顕微鏡組織像の局所化を提供することにより,分類結果のより良い解釈を提供することである。 画像分類問題は、画像がパッチの集合である、すなわちインスタンスの集合である、弱教師付き複数インスタンス学習問題である。 注意に基づく多重インスタンス学習(A-MIL)は、画像からパッチに注意を払い、画像内の悪性領域と正常領域をローカライズし、画像の分類に使用する。 公開されているBreakHISデータセットとBACHデータセットの分類とローカライゼーション結果を示す。 分類と可視化結果は他の手法と比較した。 提案手法は, 分類精度を損なうことなく, より良い位置推定結果を得る。

関連論文リスト

• Convolutional neural network classification of cancer cytopathology images: taking breast cancer as an example [40.3927727959038]
  本稿では,画像の高速分類に畳み込みニューラルネットワーク(CNN)を用いる手法を提案する。 病理像を良性群と悪性群に迅速かつ自動分類することができる。 本手法は乳がんの病理像の分類における精度を効果的に向上することを示す。
  論文  参考訳（メタデータ） (2024-04-12T07:08:05Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Exploring Regions of Interest: Visualizing Histological Image Classification for Breast Cancer using Deep Learning [0.0]
  本研究の目的は、組織像を良性または悪性と分類するための畳み込みニューラルネットワーク(CNN)の関心領域を明らかにすることである。 我々はVGG19アーキテクチャを採用し、Gradient, LRP Z, LRP Epsilonの3つの可視化手法を検証した。 その結果, 画像の可視化には, グラディエント・ビジュアライゼーション法と平均シフト選択法が有効であることがわかった。
  論文  参考訳（メタデータ） (2023-05-31T17:33:28Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Explaining Clinical Decision Support Systems in Medical Imaging using Cycle-Consistent Activation Maximization [112.2628296775395]
  ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。 臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。 そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
  論文  参考訳（メタデータ） (2020-10-09T14:39:27Z)
• Explainable Disease Classification via weakly-supervised segmentation [4.154485485415009]
  CAD(Computer Aided Diagnosis)に対するディープラーニングアプローチは、画像分類(Normal or Abnormal)問題として問題を引き起こすのが一般的である。 本稿では,この問題を考察し,診断に先立ってエビデンスを探す臨床実践を模倣するアプローチを提案する。 提案法はマンモグラフィー画像から乳癌検出に適応する。
  論文  参考訳（メタデータ） (2020-08-24T09:00:30Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。