Fugu-MT 論文翻訳(概要): RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification

論文の概要: RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification

arxiv url: http://arxiv.org/abs/2010.06440v1
Date: Tue, 13 Oct 2020 14:55:47 GMT
ステータス: 処理完了
システム内更新日: 2022-10-08 00:04:11.650402
Title: RMDL: Recalibrated multi-instance deep learning for whole slide gastric image classification
Title（参考訳）: RMDL:全スライド胃画像分類のためのマルチインスタンス深層学習
Authors: Shujun Wang, Yaxi Zhu, Lequan Yu, Hao Chen, Huangjing Lin, Xiangbo Wan, Xinjuan Fan, and Pheng-Ann Hen
Abstract要約: 全スライド病理像は胃癌の診断において重要な役割を担っている。最も差別的な例に基づくマルチインスタンス学習は,スライド画像診断全体において大きなメリットがある。我々は,詳細なピクセルレベルのアノテーションを付加した胃組織像データセットを構築した。
参考スコア（独自算出の注目度）: 17.659035106500237
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The whole slide histopathology images (WSIs) play a critical role in gastric cancer diagnosis. However, due to the large scale of WSIs and various sizes of the abnormal area, how to select informative regions and analyze them are quite challenging during the automatic diagnosis process. The multi-instance learning based on the most discriminative instances can be of great benefit for whole slide gastric image diagnosis. In this paper, we design a recalibrated multi-instance deep learning method (RMDL) to address this challenging problem. We first select the discriminative instances, and then utilize these instances to diagnose diseases based on the proposed RMDL approach. The designed RMDL network is capable of capturing instance-wise dependencies and recalibrating instance features according to the importance coefficient learned from the fused features. Furthermore, we build a large whole-slide gastric histopathology image dataset with detailed pixel-level annotations. Experimental results on the constructed gastric dataset demonstrate the significant improvement on the accuracy of our proposed framework compared with other state-of-the-art multi-instance learning methods. Moreover, our method is general and can be extended to other diagnosis tasks of different cancer types based on WSIs.
Abstract（参考訳）: 胃癌の診断において,全スライド病理像(WSIs)が重要な役割を担っている。しかし,wsisの大規模化や異常領域の大きさなどにより,自動診断の過程において,情報領域の選択や解析が極めて困難である。最も差別的な例に基づくマルチインスタンス学習は,スライド画像診断全体において大きなメリットがある。本稿では,この課題に対処するために,再校正型マルチインスタンス深層学習法(RMDL)を設計する。まず識別インスタンスを選択し,そのインスタンスを用いてRMDLアプローチに基づく疾患の診断を行う。設計されたRMDLネットワークは、融合した特徴から得られた重要度係数に応じて、インスタンスの依存関係をキャプチャし、インスタンスの特徴を再検討することができる。さらに,精細なピクセルレベルアノテーションを用いた胃病理画像データセットを構築した。構築した胃データセットの実験結果から,提案手法の精度は,他の最先端マルチインスタンス学習法と比較して有意に向上した。さらに,本手法は一般向けであり,WSIに基づいて異なるがんタイプの診断タスクに拡張することができる。

関連論文リスト

HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文参考訳（メタデータ） (2024-08-16T17:19:07Z)
Key Patches Are All You Need: A Multiple Instance Learning Framework For Robust Medical Diagnosis [15.964609888720315]
我々は,複数のインスタンス学習フレームワークを用いて,ディープラーニングモデルが最終分類に達するために使用する情報量を制限することを提案する。皮膚内視鏡検査による皮膚癌診断とマンモグラフィーによる乳癌診断の2つの医学的応用について検討した。
論文参考訳（メタデータ） (2024-05-02T18:21:25Z)
MLVICX: Multi-Level Variance-Covariance Exploration for Chest X-ray Self-Supervised Representation Learning [6.4136876268620115]
MLVICXは、胸部X線画像からの埋め込みの形でリッチな表現をキャプチャするアプローチである。自己教師付き胸部X線表現学習におけるMLVICXの性能を示す。
論文参考訳（メタデータ） (2024-03-18T06:19:37Z)
Optimizing Skin Lesion Classification via Multimodal Data and Auxiliary Task Integration [54.76511683427566]
本研究は, スマートフォンで撮影した画像と本質的な臨床および人口統計情報を統合することで, 皮膚病変を分類する新しいマルチモーダル手法を提案する。この手法の特徴は、超高解像度画像予測に焦点を当てた補助的なタスクの統合である。 PAD-UFES20データセットを用いて,様々なディープラーニングアーキテクチャを用いて実験を行った。
論文参考訳（メタデータ） (2024-02-16T05:16:20Z)
Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
論文参考訳（メタデータ） (2023-12-26T12:56:31Z)
Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文参考訳（メタデータ） (2023-03-15T14:00:11Z)
DrasCLR: A Self-supervised Framework of Learning Disease-related and Anatomy-specific Representation for 3D Medical Images [23.354686734545176]
3次元医用イメージングのための新しいSSLフレームワークDrasCLRを提案する。本研究では, 局所解剖学的領域内の微妙な疾患パターンを捉えることを目的としており, 大規模領域にまたがる深刻な疾患パターンを表現することを目的としている。
論文参考訳（メタデータ） (2023-02-21T01:32:27Z)
Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文参考訳（メタデータ） (2021-02-26T02:29:30Z)
SAR: Scale-Aware Restoration Learning for 3D Tumor Segmentation [23.384259038420005]
3次元腫瘍分割のためのSAR(Scale-Aware Restoration)を提案する。新たなプロキシタスク、すなわちスケール差別は、自己回復タスクと組み合わせて3Dニューラルネットワークを事前訓練するために定式化される。脳腫瘍セグメンテーション(Brain tumor segmentation),すなわち膵腫瘍セグメンテーション(Pancreas tumor segmentation)の2つの課題に対して,本手法の有効性を実証した。
論文参考訳（メタデータ） (2020-10-13T01:23:17Z)
Diagnosis of Coronavirus Disease 2019 (COVID-19) with Structured Latent Multi-View Representation Learning [48.05232274463484]
最近、コロナウイルス病2019(COVID-19)の流行は世界中で急速に広まっている。多くの患者と医師の重労働のために、機械学習アルゴリズムによるコンピュータ支援診断が緊急に必要である。本研究では,CT画像から抽出した一連の特徴を用いて,COVID-19の診断を行うことを提案する。
論文参考訳（メタデータ） (2020-05-06T15:19:15Z)
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。