論文の概要: Detection of prostate cancer in whole-slide images through end-to-end
training with image-level labels
- arxiv url: http://arxiv.org/abs/2006.03394v1
- Date: Fri, 5 Jun 2020 12:11:35 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-25 04:20:02.488931
- Title: Detection of prostate cancer in whole-slide images through end-to-end
training with image-level labels
- Title（参考訳）: 画像レベルラベルを用いたエンドツーエンドトレーニングによるslide画像中の前立腺癌の検出
- Authors: Hans Pinckaers, Wouter Bulten, Jeroen van der Laak, Geert Litjens
- Abstract要約: 本稿では,4712前立腺生検において,2100万のパラメータを終端とする最新のCNN(ResNet-34)をトレーニングするために,畳み込み層のストリーミング実装を提案する。
この方法では、GPUメモリの要求を2.4TB削減することで、バイオプシー画像全体を高解像度で直接使用することができる。
- 参考スコア（独自算出の注目度）: 8.851215922158753
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Prostate cancer is the most prevalent cancer among men in Western countries,
with 1.1 million new diagnoses every year. The gold standard for the diagnosis
of prostate cancer is a pathologists' evaluation of prostate tissue.
To potentially assist pathologists deep-learning-based cancer detection
systems have been developed. Many of the state-of-the-art models are
patch-based convolutional neural networks, as the use of entire scanned slides
is hampered by memory limitations on accelerator cards. Patch-based systems
typically require detailed, pixel-level annotations for effective training.
However, such annotations are seldom readily available, in contrast to the
clinical reports of pathologists, which contain slide-level labels. As such,
developing algorithms which do not require manual pixel-wise annotations, but
can learn using only the clinical report would be a significant advancement for
the field.
In this paper, we propose to use a streaming implementation of convolutional
layers, to train a modern CNN (ResNet-34) with 21 million parameters end-to-end
on 4712 prostate biopsies. The method enables the use of entire biopsy images
at high-resolution directly by reducing the GPU memory requirements by 2.4 TB.
We show that modern CNNs, trained using our streaming approach, can extract
meaningful features from high-resolution images without additional heuristics,
reaching similar performance as state-of-the-art patch-based and
multiple-instance learning methods. By circumventing the need for manual
annotations, this approach can function as a blueprint for other tasks in
histopathological diagnosis.
The source code to reproduce the streaming models is available at
https://github.com/DIAGNijmegen/pathology-streaming-pipeline .
- Abstract（参考訳）: 前立腺がんは西部諸国の男性の中で最も多いがんであり、毎年11万の新しい診断が行われている。
前立腺癌の診断のための金の基準は、病理学者による前立腺組織の評価である。
病理学者を支援するために深層学習に基づくがん検出システムを開発した。
最先端モデルの多くはパッチベースの畳み込みニューラルネットワークであり、スキャンされたスライド全体の使用はアクセラレータカードのメモリ制限によって妨げられている。
パッチベースのシステムは通常、効果的なトレーニングのために詳細なピクセルレベルのアノテーションを必要とする。
しかし、これらのアノテーションは、スライドレベルのラベルを含む病理医の臨床報告とは対照的に、ほとんど利用できない。
このように、手作業でピクセル単位のアノテーションを必要とせず、臨床報告のみを使って学習できるアルゴリズムの開発は、この分野の大きな進歩となるでしょう。
本稿では,4712前立腺生検で2100万のパラメータを終端とする最新のCNN(ResNet-34)をトレーニングするために,畳み込み層のストリーミング実装を提案する。
この方法では、GPUメモリの要求を2.4TB削減することで、バイオプシー画像全体を高解像度で直接使用することができる。
ストリーミングアプローチを用いてトレーニングされた最新のCNNは、追加のヒューリスティックを伴わずに高解像度画像から有意義な特徴を抽出できることを示し、最先端のパッチベースおよびマルチインスタンス学習手法と同等の性能に達することを示す。
手動アノテーションの必要性を回避することで、このアプローチは病理診断における他のタスクの青写真として機能することができる。
ストリーミングモデルを再現するソースコードはhttps://github.com/diagnijmegen/pathology-streaming-pipeline.com/で入手できる。
関連論文リスト
- Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。
再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文 参考訳（メタデータ） (2024-11-16T09:19:24Z) - 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) - WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic
Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。
第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文 参考訳（メタデータ） (2022-04-13T15:27:05Z) - Deep Interactive Learning-based ovarian cancer segmentation of
H&E-stained whole slide images to study morphological patterns of BRCA
mutation [1.763687468970535]
我々は,手動アノテーションの時間を削減するために,異なるがんタイプから事前訓練したセグメンテーションモデルを用いたDeep Interactive Learningを提案する。
術前乳房分節モデルを用いた卵巣癌分節モデルの訓練を3.5時間行い,0.74,0.86,精度0.84を達成した。
論文 参考訳（メタデータ） (2022-03-28T18:21:17Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Bridging the gap between prostate radiology and pathology through
machine learning [2.090877308669147]
病理組織学的診断法として, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法, 病理組織学的診断法の比較を行った。
これらのラベルがトレーニングされた機械学習モデルの性能に与える影響を分析する。
論文 参考訳（メタデータ） (2021-12-03T21:38:20Z) - 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) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳（メタデータ） (2020-05-22T19:49:10Z) - Representation Learning of Histopathology Images using Graph Neural
Networks [12.427740549056288]
本稿では,WSI表現学習のための2段階フレームワークを提案する。
色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。
肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
論文 参考訳（メタデータ） (2020-04-16T00:09:20Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。