論文の概要: A Hierarchical Conditional Random Field-based Attention Mechanism
Approach for Gastric Histopathology Image Classification
- arxiv url: http://arxiv.org/abs/2102.10499v1
- Date: Sun, 21 Feb 2021 03:38:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-23 14:59:25.192844
- Title: A Hierarchical Conditional Random Field-based Attention Mechanism
Approach for Gastric Histopathology Image Classification
- Title（参考訳）: 胃病理学的画像分類のための階層的条件付きランダムフィールドに基づく注意メカニズムのアプローチ
- Authors: Yixin Li, Xinran Wu, Chen Li, Changhao Sun, Md Rahaman, Yudong Yao,
Xiaoyan Li, Yong Zhang, Tao Jiang
- Abstract要約: 胃病理組織像分類(ghic)タスクでは、画像に必然的に冗長な情報が存在する。
本稿では,インテリジェントな階層的条件付きランダムフィールドベースアテンションメカニズム(HCRF-AM)モデルを提案する。
この実験では、胃病理学的データセットで96.67%の分類特異性が700の画像で達成される。
- 参考スコア（独自算出の注目度）: 18.47322656765279
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In the Gastric Histopathology Image Classification (GHIC) tasks, which is
usually weakly supervised learning missions, there is inevitably redundant
information in the images. Therefore, designing networks that can focus on
effective distinguishing features has become a popular research topic. In this
paper, to accomplish the tasks of GHIC superiorly and to assist pathologists in
clinical diagnosis, an intelligent Hierarchical Conditional Random Field based
Attention Mechanism (HCRF-AM) model is proposed. The HCRF-AM model consists of
an Attention Mechanism (AM) module and an Image Classification (IC) module. In
the AM module, an HCRF model is built to extract attention regions. In the IC
module, a Convolutional Neural Network (CNN) model is trained with the
attention regions selected and then an algorithm called Classification
Probability-based Ensemble Learning is applied to obtain the image-level
results from patch-level output of the CNN. In the experiment, a classification
specificity of 96.67% is achieved on a gastric histopathology dataset with 700
images. Our HCRF-AM model demonstrates high classification performance and
shows its effectiveness and future potential in the GHIC field.
- Abstract（参考訳）: 通常弱い教師付き学習ミッションである胃病理学画像分類(GHIC)タスクでは、画像に必然的に冗長な情報があります。
そのため,特徴を効果的に区別できるネットワークを設計することが研究の話題となっている。
本稿では,臨床診断におけるGHICの課題を克服し,病理医を支援するために,階層型条件付ランダムフィールドベース注意機構(HCRF-AM)モデルを提案する。
HCRF-AMモデルは、注意機構(AM)モジュールと画像分類(IC)モジュールで構成される。
AMモジュールでは、注意領域を抽出するためにHCRFモデルを構築している。
icモジュールでは、注意領域選択により畳み込みニューラルネットワーク(cnn)モデルを訓練し、cnnのパッチレベル出力から画像レベルの結果を得るための分類確率に基づくアンサンブル学習と呼ばれるアルゴリズムを適用する。
この実験では、胃病理学的データセットで96.67%の分類特異性が700の画像で達成される。
HCRF-AMモデルは高い分類性能を示し,GHIC分野での有効性と将来の可能性を示す。
関連論文リスト
- Towards a vision foundation model for comprehensive assessment of Cardiac MRI [11.838157772803282]
心臓磁気共鳴画像(CMR)評価のための視覚基礎モデルを提案する。
CMRワークフローに典型的な9つの臨床的タスクについて、教師付き方法でモデルを微調整する。
すべてのタスクにおいて、ラベル付きデータセットサイズの範囲で、精度と堅牢性が改善されたことを実証する。
論文 参考訳（メタデータ） (2024-10-02T15:32:01Z) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳（メタデータ） (2023-09-19T16:08:33Z) - Class Attention to Regions of Lesion for Imbalanced Medical Image
Recognition [59.28732531600606]
データ不均衡問題に対処するため,textbfClass textbfAttention to textbfRegions of the lesion (CARE)を提案する。
CAREフレームワークは、まれな疾患の病変領域を表すために、バウンディングボックスを必要とする。
その結果,自動バウンディングボックス生成によるCARE変種は,オリジナルのCAREフレームワークに匹敵することがわかった。
論文 参考訳（メタデータ） (2023-07-19T15:19:02Z) - Two-stage MR Image Segmentation Method for Brain Tumors based on
Attention Mechanism [27.08977505280394]
CycleGAN(CycleGAN)に基づく協調・空間的注意生成対向ネットワーク(CASP-GAN)を提案する。
ジェネレータの性能は、コーディネート・アテンション(CA)モジュールと空間アテンション(SA)モジュールを導入することで最適化される。
元の医用画像の構造情報と詳細な情報を抽出する能力は、所望の画像をより高品質に生成するのに役立つ。
論文 参考訳（メタデータ） (2023-04-17T08:34:41Z) - 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) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳（メタデータ） (2022-03-25T19:05:06Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z) - 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) - Multi-Modality Pathology Segmentation Framework: Application to Cardiac
Magnetic Resonance Images [3.5354617056939874]
本研究は,多モードCMR画像に基づく自動カスケード診断セグメンテーションフレームワークを提案する。
主に、解剖学的構造セグメンテーションネットワーク(ASSN)と病理学的領域セグメンテーションネットワーク(PRSN)の2つのニューラルネットワークで構成されている。
論文 参考訳（メタデータ） (2020-08-13T09:57:04Z) - Gastric histopathology image segmentation using a hierarchical
conditional random field [16.920864110707747]
新たな条件付ランダムフィールド(HCRF)に基づく胃組織像(GHIS)法を提案する。
HCRFモデルは高いセグメンテーション性能を示し、GHIS分野におけるその有効性と将来の可能性を示す。
論文 参考訳（メタデータ） (2020-03-03T02:44:31Z)
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。