Fugu-MT 論文翻訳(概要): Efficient Colon Cancer Grading with Graph Neural Networks

論文の概要: Efficient Colon Cancer Grading with Graph Neural Networks

arxiv url: http://arxiv.org/abs/2010.01091v1
Date: Fri, 2 Oct 2020 16:43:33 GMT
ステータス: 処理完了
システム内更新日: 2022-10-12 01:07:16.904916
Title: Efficient Colon Cancer Grading with Graph Neural Networks
Title（参考訳）: グラフニューラルネットワークを用いた効率的な大腸癌診断
Authors: Franziska Lippoldt
Abstract要約: 全体モデルは、大腸癌のグレーディングデータセットの他の方法と比較して、パフォーマンスが良くなっている。グラフニューラルネットワーク自体は、3つの畳み込みブロックと線形層で構成されている。
参考スコア（独自算出の注目度）: 4.56877715768796
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Dealing with the application of grading colorectal cancer images, this work proposes a 3 step pipeline for prediction of cancer levels from a histopathology image. The overall model performs better compared to other state of the art methods on the colorectal cancer grading data set and shows excellent performance for the extended colorectal cancer grading set. The performance improvements can be attributed to two main factors: The feature selection and graph augmentation method described here are spatially aware, but overall pixel position independent. Further, the graph size in terms of nodes becomes stable with respect to the model's prediction and accuracy for sufficiently large models. The graph neural network itself consists of three convolutional blocks and linear layers, which is a rather simple design compared to other networks for this application.
Abstract（参考訳）: 本研究は,大腸癌画像のグレーディングを応用し,病理組織像から癌レベルを予測するための3段階パイプラインを提案する。本モデルでは, 大腸癌グレーティングデータセットの他の方法と比較して, より優れた性能を示し, 拡張大腸癌グレーティングデータセットの優れた性能を示す。ここで述べた機能選択とグラフ拡張法は、空間的に認識されているが、ピクセル位置は独立している。さらに、十分大きなモデルに対するモデルの予測と精度に関して、ノードの観点からのグラフサイズが安定する。グラフニューラルネットワーク自体は、3つの畳み込みブロックと線形層で構成される。

関連論文リスト

GSpect: Spectral Filtering for Cross-Scale Graph Classification [9.800723513820046]
クロススケールグラフ分類タスクのための高度なスペクトルグラフフィルタリングモデルであるGSpectを提案する。オープンデータセットでは、GSpectは分類精度を平均1.62%改善し、ProteINSでは最大3.33%向上した。 GSpectは、クロススケールグラフ分類研究のギャップを埋め、脳疾患の診断のような応用研究を支援する可能性がある。
論文参考訳（メタデータ） (2024-08-31T03:26:32Z)
Explainable and Position-Aware Learning in Digital Pathology [0.0]
本研究は, 位置埋め込みとグラフアテンションを用いて, WSIsからがんの分類を行う。提案手法とがん診断, グレーディングにおける先行手法との比較により, 性能改善が確認できた。 WSIsにおける癌領域の同定は、がん診断におけるもう一つの重要な課題である。
論文参考訳（メタデータ） (2023-06-14T01:53:17Z)
Weakly-Supervised Deep Learning Model for Prostate Cancer Diagnosis and Gleason Grading of Histopathology Images [2.547129771651519]
本稿では,前立腺癌学級を分類する弱教師付きアルゴリズムを提案する。提案アルゴリズムは, 組織像における識別領域の抽出, 画像の表現, 画像のグリーソングレードへの分類の3段階からなる。その結果,Gleason grading タスクの精度,F1スコア,Cohen-Kappa の両面での最先端性能が得られた。
論文参考訳（メタデータ） (2022-12-25T03:07:52Z)
Graph Neural Networks for Breast Cancer Data Integration [0.0]
本稿では,ガンデータモダリティをグラフとして統合し,次にグラフニューラルネットワークを適用する3つのステップからなる新しい学習パイプラインを提案する。このプロジェクトは、がんデータ理解を改善する可能性があり、正規データセットからグラフ型データへの移行を促進する。
論文参考訳（メタデータ） (2022-11-28T17:10:19Z)
Skeleton-Parted Graph Scattering Networks for 3D Human Motion Prediction [120.08257447708503]
体-関節関係をモデル化するグラフ畳み込みネットワークに基づく手法は,最近3次元骨格に基づく人間の動作予測において大きな可能性を示唆している。骨格分割グラフ散乱ネットワーク(SPGSN)を提案する。 SPGSNは、Human3.6M、CMU Mocap、および3DPWデータセット上で、関節位置誤差(MPJPE)当たりの3D平均の13.8%、9.3%、および2.7%の差で最先端の手法を上回っている。
論文参考訳（メタデータ） (2022-07-31T05:51:39Z)
Deep Manifold Learning with Graph Mining [80.84145791017968]
グラフマイニングのための非段階的決定層を持つ新しいグラフ深層モデルを提案する。提案モデルでは,現行モデルと比較して最先端性能を実現している。
論文参考訳（メタデータ） (2022-07-18T04:34:08Z)
Towards Graph Self-Supervised Learning with Contrastive Adjusted Zooming [48.99614465020678]
本稿では,グラフコントラスト適応ズームによる自己教師付きグラフ表現学習アルゴリズムを提案する。このメカニズムにより、G-Zoomはグラフから複数のスケールから自己超越信号を探索して抽出することができる。我々は,実世界のデータセットに関する広範な実験を行い,提案したモデルが常に最先端の手法より優れていることを示す。
論文参考訳（メタデータ） (2021-11-20T22:45:53Z)
PSGR: Pixel-wise Sparse Graph Reasoning for COVID-19 Pneumonia Segmentation in CT Images [83.26057031236965]
画像中の新型コロナウイルス感染領域セグメンテーションの長距離依存性のモデリングを強化するために,PSGRモジュールを提案する。 PSGRモジュールは不正確なピクセルからノードへの投影を回避し、グローバルな推論のために各ピクセル固有の情報を保存する。このソリューションは、3つの公開データセット上の4つの広く使われているセグメンテーションモデルに対して評価されている。
論文参考訳（メタデータ） (2021-08-09T04:58:23Z)
MG-SAGC: A multiscale graph and its self-adaptive graph convolution network for 3D point clouds [6.504546503077047]
点群の多スケールグラフ生成法を提案する。このアプローチは、ポイントクラウドを、スケール空間におけるポイントクラウドのマルチスケール分析をサポートする構造化マルチスケールグラフ形式に変換する。従来の畳み込みニューラルネットワークは不規則な近傍を持つグラフデータには適用できないため,チェビシェフグラフを用いて不規則な畳み込みフィルタに適合するセフ適応畳み込みカーネルを提案する。
論文参考訳（メタデータ） (2020-12-23T01:58:41Z)
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)
Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。 3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文参考訳（メタデータ） (2020-04-17T11:55:03Z)

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。