論文の概要: Dual-stream Multiple Instance Learning Network for Whole Slide Image
Classification with Self-supervised Contrastive Learning
- arxiv url: http://arxiv.org/abs/2011.08939v3
- Date: Fri, 2 Apr 2021 16:48:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-24 16:22:33.901285
- Title: Dual-stream Multiple Instance Learning Network for Whole Slide Image
Classification with Self-supervised Contrastive Learning
- Title（参考訳）: 自己教師付きコントラスト学習を用いた全スライド画像分類のためのデュアルストリーム多重インスタンス学習ネットワーク
- Authors: Bin Li, Yin Li, Kevin W. Eliceiri
- Abstract要約: スライド画像全体分類(WSI)の課題に対処する。
WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。
局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
- 参考スコア（独自算出の注目度）: 16.84711797934138
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We address the challenging problem of whole slide image (WSI) classification.
WSIs have very high resolutions and usually lack localized annotations. WSI
classification can be cast as a multiple instance learning (MIL) problem when
only slide-level labels are available. We propose a MIL-based method for WSI
classification and tumor detection that does not require localized annotations.
Our method has three major components. First, we introduce a novel MIL
aggregator that models the relations of the instances in a dual-stream
architecture with trainable distance measurement. Second, since WSIs can
produce large or unbalanced bags that hinder the training of MIL models, we
propose to use self-supervised contrastive learning to extract good
representations for MIL and alleviate the issue of prohibitive memory cost for
large bags. Third, we adopt a pyramidal fusion mechanism for multiscale WSI
features, and further improve the accuracy of classification and localization.
Our model is evaluated on two representative WSI datasets. The classification
accuracy of our model compares favorably to fully-supervised methods, with less
than 2% accuracy gap across datasets. Our results also outperform all previous
MIL-based methods. Additional benchmark results on standard MIL datasets
further demonstrate the superior performance of our MIL aggregator on general
MIL problems. GitHub repository: https://github.com/binli123/dsmil-wsi
- Abstract（参考訳）: スライド画像全体分類(WSI)の課題に対処する。
WSIは非常に高解像度で、通常、ローカライズドアノテーションがありません。
WSI分類は、スライドレベルラベルのみが利用可能な場合、多重インスタンス学習(MIL)問題としてキャストできる。
局所アノテーションを必要としないWSI分類と腫瘍検出のためのMIL法を提案する。
私たちの方法には3つの主要な要素があります。
まず,デュアルストリームアーキテクチャにおけるインスタンス間の関係を学習可能な距離計測でモデル化する新しいミルアグリゲータを提案する。
第二に、wsisはミルモデルのトレーニングを妨げる大きなバッグや不均衡バッグを生産できるため、自己教師付きコントラスト学習を用いてミルの表現の良さを抽出し、大袋のメモリコストの軽減を図ることを提案する。
第3に,マルチスケールWSI特徴量に対するピラミッド融合機構を採用し,分類と局所化の精度をさらに向上させる。
我々のモデルは2つの代表的なWSIデータセットで評価される。
モデルの分類精度は、データセット間での精度の差が2%未満である完全教師付き手法と比較して好適である。
また,従来のMIL法よりも優れた結果を得た。
標準MILデータセットに対する追加ベンチマークの結果は、一般的なMIL問題に対するMILアグリゲータの優れた性能を示す。
githubリポジトリ: https://github.com/binli123/dsmil-wsi
関連論文リスト
- Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。
また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
論文 参考訳（メタデータ） (2024-08-18T12:15:22Z) - MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
本稿では,WSI分析のためのフレームワークMamMILを提案する。
私たちは各WSIを非指向グラフとして表現します。
マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
論文 参考訳（メタデータ） (2024-03-08T09:02:13Z) - Compact and De-biased Negative Instance Embedding for Multi-Instance
Learning on Whole-Slide Image Classification [3.2721526745176144]
半超音波信号を導入し、スライディング間の変動を抑えるとともに、通常のパッチの変動の共通要因を捉える。
本手法は,カメリオン16およびTGA肺がんを含む2つのWSIデータセットを用いて検討した。
論文 参考訳（メタデータ） (2024-02-16T11:28:50Z) - Reproducibility in Multiple Instance Learning: A Case For Algorithmic
Unit Tests [59.623267208433255]
多重インスタンス学習(MIL)は、正と負のラベルと入力の「バグ」を持つ分類問題のサブドメインである。
本研究では,最も顕著な深層MILモデルの5つについて検討し,いずれも標準MILの仮定を尊重していないことを明らかにする。
提案した"アルゴリズムユニットテスト"によってこの問題を特定し,実証する。そこでは,MILを尊重するモデルによって解決可能な,合成データセットを作成する。
論文 参考訳（メタデータ） (2023-10-27T03:05:11Z) - TPMIL: Trainable Prototype Enhanced Multiple Instance Learning for Whole
Slide Image Classification [13.195971707693365]
我々は、弱い教師付きWSI分類のための訓練可能なプロトタイプ強化深層MILフレームワークを開発した。
本手法により, 異なる腫瘍のサブタイプ間の相関関係を明らかにすることができる。
提案手法を2つのWSIデータセット上でテストし,新たなSOTAを実現する。
論文 参考訳（メタデータ） (2023-05-01T07:39:19Z) - Unbiased Multiple Instance Learning for Weakly Supervised Video Anomaly
Detection [74.80595632328094]
弱監視ビデオ異常検出(WSVAD)における多重インスタンス学習(MIL)の優位性
We propose a new MIL framework: Unbiased MIL (UMIL) to learn unbiased anomaly features that improve WSVAD。
論文 参考訳（メタデータ） (2023-03-22T08:11:22Z) - ReMix: A General and Efficient Framework for Multiple Instance Learning
based Whole Slide Image Classification [14.78430890440035]
ワイルスライド画像(WSI)分類は、ギガピクセル解像度画像とスライドレベルのラベルを扱うために弱教師付き多重インスタンス学習(MIL)法に依存することが多い。
MILに基づくWSI分類のための汎用的で効率的なフレームワークであるReMixを提案する。
論文 参考訳（メタデータ） (2022-07-05T04:21:35Z) - Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。
本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。
位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文 参考訳（メタデータ） (2022-06-22T07:00:39Z) - Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。
異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。
提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文 参考訳（メタデータ） (2021-04-01T13:55:21Z) - Dual-stream Maximum Self-attention Multi-instance Learning [11.685285490589981]
MIL(Multi-Instance Learning)は、インスタンスレベルのラベルが利用できない間に単一のクラスラベルがインスタンスのバッグに割り当てられる弱い教師付き学習の一種である。
ニューラルネットワークによりパラメータ化されたDSMILモデル(Dual-stream maximum self-attention MIL model)を提案する。
提案手法は,最高のMIL手法と比較して優れた性能を示し,ベンチマークMILデータセット上での最先端性能を示す。
論文 参考訳（メタデータ） (2020-06-09T22:44:58Z) - Weakly-Supervised Action Localization with Expectation-Maximization
Multi-Instance Learning [82.41415008107502]
弱教師付きアクションローカライゼーションでは、ビデオレベルアクションラベルのみを与えられたビデオ内のアクションセグメントをローカライズするモデルをトレーニングする必要がある。
バッグ(ビデオ)には複数のインスタンス(アクションセグメント)が含まれている。
我々のEM-MILアプローチは、学習目標とMIL仮定の両方をより正確にモデル化することを示します。
論文 参考訳（メタデータ） (2020-03-31T23:36:04Z)
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。