論文の概要: MSA-MIL: A deep residual multiple instance learning model based on multi-scale annotation for classification and visualization of glomerular spikes

• arxiv url: http://arxiv.org/abs/2007.00858v2
• Date: Sat, 18 Jul 2020 17:04:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-14 14:53:45.008357
• Title: MSA-MIL: A deep residual multiple instance learning model based on multi-scale annotation for classification and visualization of glomerular spikes
• Title（参考訳）: MSA-MIL: 糸球体スパイクの分類と可視化のためのマルチスケールアノテーションに基づく残差多重インスタンス学習モデル
• Authors: Yilin Chen, Ming Li, Yongfei Wu, Xueyu Liu, Fang Hao, Daoxiang Zhou, Xiaoshuang Zhou and Chen Wang
• Abstract要約: 膜性腎症の生検では,糸球体基底膜へのスパイク様投射がMNの顕著な特徴である。 本稿では,マルチスケールアノテーション・マルチインスタンス・ラーニング(MSA-MIL)に基づく可視化された分類モデルを構築し,球状分類とスパイクス・ビジュアライゼーションを実現する。
• 参考スコア（独自算出の注目度）: 9.432314992011099
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Membranous nephropathy (MN) is a frequent type of adult nephrotic syndrome, which has a high clinical incidence and can cause various complications. In the biopsy microscope slide of membranous nephropathy, spikelike projections on the glomerular basement membrane is a prominent feature of the MN. However, due to the whole biopsy slide contains large number of glomeruli, and each glomerulus includes many spike lesions, the pathological feature of the spikes is not obvious. It thus is time-consuming for doctors to diagnose glomerulus one by one and is difficult for pathologists with less experience to diagnose. In this paper, we establish a visualized classification model based on the multi-scale annotation multi-instance learning (MSA-MIL) to achieve glomerular classification and spikes visualization. The MSA-MIL model mainly involves three parts. Firstly, U-Net is used to extract the region of the glomeruli to ensure that the features learned by the succeeding algorithm are focused inside the glomeruli itself. Secondly, we use MIL to train an instance-level classifier combined with MSA method to enhance the learning ability of the network by adding a location-level labeled reinforced dataset, thereby obtaining an example-level feature representation with rich semantics. Lastly, the predicted scores of each tile in the image are summarized to obtain glomerular classification and visualization of the classification results of the spikes via the usage of sliding window method. The experimental results confirm that the proposed MSA-MIL model can effectively and accurately classify normal glomeruli and spiked glomerulus and visualize the position of spikes in the glomerulus. Therefore, the proposed model can provide a good foundation for assisting the clinical doctors to diagnose the glomerular membranous nephropathy.
• Abstract（参考訳）: 膜性腎症 (Membranous Nephropathy, MN) は成人腎症症候群の一種であり, 発症頻度が高く, 合併症も様々である。 膜性腎症の生検顕微鏡スライドでは, 糸球体基底膜上のスパイク状突起がmnの著明な特徴である。 しかし,全生検スライドには糸球体が多く,各糸球体には多数のスパイク病変があるため,スパイクの病理的特徴は明らかでない。 したがって、医師が糸球体を1つずつ診断するのに時間がかかり、診断経験の少ない病理医にとっては困難である。 本稿では,マルチスケールアノテーションマルチインスタンス学習(MSA-MIL)に基づく可視化分類モデルを構築し,球状分類とスパイクス可視化を実現する。 MSA-MILモデルは主に3部構成である。 第一に、u-netは糸球体の領域を抽出するために使われ、後続のアルゴリズムによって学習された特徴が糸球体内部に集中することを保証する。 第2に、MILを用いて、MSA法と組み合わせたインスタンスレベルの分類器をトレーニングし、位置レベルのラベル付き強化データセットを追加してネットワークの学習能力を高めることにより、リッチセマンティクスによるサンプルレベルの特徴表現を得る。 最後に、画像内の各タイルの予測スコアを要約し、スライディングウインドウ法を用いてスパイクの分類結果の糸球体分類および可視化を行う。 実験の結果,msa-milモデルは正常糸球体とスパイク糸球体を効果的かつ正確に分類し,糸球体におけるスパイクの位置を可視化できることが確認された。 そこで本提案モデルは,糸球体膜腎症を診断するために臨床医師を支援するための優れた基盤を提供することができる。

関連論文リスト

• MMIL: A novel algorithm for disease associated cell type discovery [58.044870442206914]
  単一細胞データセットは、しばしば個々の細胞ラベルを欠いているため、病気に関連する細胞を特定することは困難である。 セルレベルの分類器の訓練と校正を可能にする予測手法であるMixture Modeling for Multiple Learning Instance (MMIL)を導入する。
  論文  参考訳（メタデータ） (2024-06-12T15:22:56Z)
• 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)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Federated Learning for the Classification of Tumor Infiltrating Lymphocytes [5.881088147423591]
  デジタル化組織断面解析のための深層学習モデルの開発において,フェデレートラーニング(FL)の性能を評価する。 スライド画像全体から抽出した50*50平方ミクロンパッチを用いてディープラーニング分類モデルを訓練した。
  論文  参考訳（メタデータ） (2022-03-30T19:10:50Z)
• PDBL: Improving Histopathological Tissue Classification with Plug-and-Play Pyramidal Deep-Broad Learning [20.940530194934972]
  Pyramidal Deep-Broad Learning (PDBL) は、よく訓練された分類バックボーンのための軽量なプラグイン・アンド・プレイモジュールである。 PDBLは、任意のCNNバックボーンの組織レベルの分類性能を着実に改善することができる。
  論文  参考訳（メタデータ） (2021-11-04T09:35:12Z)
• 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)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Multi-scale Regional Attention Deeplab3+: Multiple Myeloma Plasma Cells Segmentation in Microscopic Images [2.121963121603413]
  多発性骨髄腫(multiple myeloma cancer)は、骨髄において異常な血漿細胞の増殖が制御不能になったときに発生する血液がんの一種である。 全身血球数検査(CBC)や気道スライド画像で骨髄腫細胞をカウントするなど、骨髄の多発性骨髄腫を診断する方法は様々です。 複数の骨髄腫血漿細胞の検出と分割のための自動深層学習方法が検討されている。
  論文  参考訳（メタデータ） (2021-05-13T12:42:32Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。