論文の概要: Histopathology WSI Encoding based on GCNs for Scalable and Efficient
Retrieval of Diagnostically Relevant Regions
- arxiv url: http://arxiv.org/abs/2104.07878v1
- Date: Fri, 16 Apr 2021 04:12:33 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-19 14:13:32.883689
- Title: Histopathology WSI Encoding based on GCNs for Scalable and Efficient
Retrieval of Diagnostically Relevant Regions
- Title（参考訳）: gcnsに基づく病理組織学wsiエンコーディングによる診断関連領域のスケーラブルかつ効率的な検索
- Authors: Yushan Zheng, Zhiguo Jiang, Haopeng Zhang, Fengying Xie, Jun Shi,
Chenghai Xue
- Abstract要約: 提案するフレームワークは階層型グラフ畳み込みネットワーク(GCN)とHash技術に基づいている。
ROIのサイズと形状の変化の両方に優れたスケーラビリティがあります。
病理学者は組織の出現に応じて自由曲線を用いて問合せ領域を定義することができる。
- 参考スコア（独自算出の注目度）: 12.046685035776026
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Content-based histopathological image retrieval (CBHIR) has become popular in
recent years in the domain of histopathological image analysis. CBHIR systems
provide auxiliary diagnosis information for pathologists by searching for and
returning regions that are contently similar to the region of interest (ROI)
from a pre-established database. While, it is challenging and yet significant
in clinical applications to retrieve diagnostically relevant regions from a
database that consists of histopathological whole slide images (WSIs) for a
query ROI. In this paper, we propose a novel framework for regions retrieval
from WSI-database based on hierarchical graph convolutional networks (GCNs) and
Hash technique. Compared to the present CBHIR framework, the structural
information of WSI is preserved through graph embedding of GCNs, which makes
the retrieval framework more sensitive to regions that are similar in tissue
distribution. Moreover, benefited from the hierarchical GCN structures, the
proposed framework has good scalability for both the size and shape variation
of ROIs. It allows the pathologist defining query regions using free curves
according to the appearance of tissue. Thirdly, the retrieval is achieved based
on Hash technique, which ensures the framework is efficient and thereby
adequate for practical large-scale WSI-database. The proposed method was
validated on two public datasets for histopathological WSI analysis and
compared to the state-of-the-art methods. The proposed method achieved mean
average precision above 0.857 on the ACDC-LungHP dataset and above 0.864 on the
Camelyon16 dataset in the irregular region retrieval tasks, which are superior
to the state-of-the-art methods. The average retrieval time from a database
within 120 WSIs is 0.802 ms.
- Abstract（参考訳）: 近年,病理組織学的画像解析の分野では,cbhir(content-based histopathological image retrieval)が普及している。
CBHIR システムは,既設データベースから関心領域 (ROI) に類似した領域を検索,返却することにより,病理医に補助診断情報を提供する。
一方,病理組織学的全スライド画像(WSI)からなるデータベースから診断関連領域を検索するための臨床応用は困難であり,かつ重要である。
本稿では,階層型グラフ畳み込みネットワーク(GCN)とハッシュ手法に基づく,WSIデータベースからの領域検索のための新しいフレームワークを提案する。
現在のCBHIRフレームワークと比較して、WSIの構造情報はGCNのグラフ埋め込みによって保存されるため、組織分布に類似した領域に対してより敏感である。
さらに、階層的なGCN構造から恩恵を受け、提案フレームワークはROIのサイズと形状の変化の両方に優れたスケーラビリティを有する。
病理学者は組織の出現に応じて自由曲線を用いて問合せ領域を定義することができる。
第3に、フレームワークが効率的で、実用的な大規模wsiデータベースに適するように、ハッシュ技術に基づいて検索を行う。
提案法を病理組織学的wsi解析のための2つの公開データセットで検証し,最新法と比較した。
提案手法は, acdc-lunghpデータセットでは0.857以上, 不規則領域検索タスクではcamlyon16データセットでは0.864以上, 最先端手法よりも優れる平均精度を達成した。
120 WSIs 内のデータベースからの平均検索時間は 0.802 ms である。
関連論文リスト
- Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。
異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。
TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
論文 参考訳（メタデータ） (2024-10-04T10:03:04Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - Augmentation is AUtO-Net: Augmentation-Driven Contrastive Multiview
Learning for Medical Image Segmentation [3.1002416427168304]
この論文は網膜血管セグメンテーションの課題に焦点を当てている。
深層学習に基づく医用画像セグメンテーションアプローチの広範な文献レビューを提供する。
効率的でシンプルな多視点学習フレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-02T06:31:08Z) - Region-based Contrastive Pretraining for Medical Image Retrieval with
Anatomic Query [56.54255735943497]
医用画像検索のための地域別コントラスト事前トレーニング(RegionMIR)
医用画像検索のための領域ベースコントラスト事前トレーニング(RegionMIR)について紹介する。
論文 参考訳（メタデータ） (2023-05-09T16:46:33Z) - Semantic segmentation of surgical hyperspectral images under geometric
domain shifts [69.91792194237212]
本稿では、幾何学的アウト・オブ・ディストリビューション(OOD)データの存在下で、最先端のセマンティックセグメンテーションネットワークを初めて分析する。
有機移植(Organ transplantation)と呼ばれる専用の拡張技術により、一般化可能性にも対処する。
提案手法は,SOA DSCの最大67 % (RGB) と90% (HSI) を改善し,実際のOODテストデータ上での分配内性能と同等の性能を示す。
論文 参考訳（メタデータ） (2023-03-20T09:50:07Z) - Kernel Attention Transformer (KAT) for Histopathology Whole Slide Image
Classification [15.49319477737895]
病理組織学的WSI分類のためのカーネルアテンショントランスフォーマー(KAT)を提案する。
提案したKATは、WSIの局所領域の階層的コンテキスト情報をよりよく記述することができる。
病理組織学的WSI分類の課題において,提案したKATが有効かつ効果的であることを示す実験結果が得られた。
論文 参考訳（メタデータ） (2022-06-27T10:00:12Z) - Boosting Segmentation Performance across datasets using histogram
specification with application to pelvic bone segmentation [1.3750624267664155]
限られたデータで訓練されたネットワークの性能を高めるために,画像のトーン分布の変調と深層学習に基づく手法を提案する。
セグメンテーションタスクは、拡張BCE-IoU損失関数を使用して最適化されたEfficientNet-B0バックボーンを備えたU-Net構成を使用します。
論文 参考訳（メタデータ） (2021-01-26T23:48:40Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z) - A Global Benchmark of Algorithms for Segmenting Late Gadolinium-Enhanced
Cardiac Magnetic Resonance Imaging [90.29017019187282]
現在世界最大の心臓LGE-MRIデータセットである154個の3D LGE-MRIを用いた「2018 left Atrium Challenge」。
技術および生物学的指標を用いた提案アルゴリズムの解析を行った。
その結果, 最上部法は93.2%, 平均表面は0.7mmであった。
論文 参考訳（メタデータ） (2020-04-26T08:49:17Z) - 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。