論文の概要: Sparse convolutional context-aware multiple instance learning for whole
slide image classification
- arxiv url: http://arxiv.org/abs/2105.02726v1
- Date: Thu, 6 May 2021 14:46:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-07 16:31:26.567806
- Title: Sparse convolutional context-aware multiple instance learning for whole
slide image classification
- Title(参考訳): sparse convolutional context-aware multiple instance learning for whole slide image classification
- Authors: Marvin Lerousseau and Maria Vakalopoulou and Nikos Paragios and Eric
Deutsch
- Abstract要約: スライドのスライド全体は、診断を導く組織と、多くの疾患に対する治療の選択に関する多くの手がかりを示している。
この問題を解決するために、MIL(Multiple Case Learning)は、スライドイメージ全体ではなくパッチのバッグを分類する。
提案手法は,sparse-input convolutional-based mil戦略によるパッチの空間情報の統合によるパラダイムシフトを示す。
- 参考スコア(独自算出の注目度): 7.18791111462057
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Whole slide microscopic slides display many cues about the underlying tissue
guiding diagnostic and the choice of therapy for many diseases. However, their
enormous size often in gigapixels hampers the use of traditional neural network
architectures. To tackle this issue, multiple instance learning (MIL)
classifies bags of patches instead of whole slide images. Most MIL strategies
consider that patches are independent and identically distributed. Our approach
presents a paradigm shift through the integration of spatial information of
patches with a sparse-input convolutional-based MIL strategy. The formulated
framework is generic, flexible, scalable and is the first to introduce
contextual dependencies between decisions taken at the patch level. It achieved
state-of-the-art performance in pan-cancer subtype classification. The code of
this work will be made available.
- Abstract(参考訳): スライドのスライド全体は、診断を導く組織と、多くの疾患に対する治療の選択に関する多くの手がかりを示している。
しかし、ギガピクセルにおけるその巨大なサイズはしばしば、従来のニューラルネットワークアーキテクチャの使用を妨げます。
この問題を解決するために、MIL(Multiple Case Learning)は、スライドイメージ全体ではなくパッチのバッグを分類する。
ほとんどのMIL戦略はパッチは独立しており、同じ分散であると考えている。
提案手法は,sparse-input convolutional-based mil戦略によるパッチの空間情報の統合によるパラダイムシフトを示す。
定式化されたフレームワークは汎用的で柔軟性があり、スケーラブルであり、パッチレベルでの意思決定間のコンテキスト依存を導入した最初のものである。
パンキャンサーのサブタイプ分類において最先端のパフォーマンスを達成した。
この作業のコードは利用可能になる。
関連論文リスト
- MamMIL: Multiple Instance Learning for Whole Slide Images with State
Space Models [58.39336492765728]
がん診断のゴールドスタンダードである病理診断は、TransformerとMIL(Multiple Case Learning)フレームワークを併用して、全スライド画像(WSI)を用いて、優れたパフォーマンスを実現している。
選択的構造化状態空間モデル(Mamba)とMILとの協調によるWSI分類のためのMamMILフレームワークを提案する。
具体的には、マンバが一方向一次元(一次元)シーケンスモデリングしか行えないという問題を解決するため、双方向状態空間モデルと2次元コンテキスト認識ブロックを革新的に導入する。
論文 参考訳(メタデータ) (2024-03-08T09:02:13Z) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳(メタデータ) (2023-12-12T14:45:45Z) - RoFormer for Position Aware Multiple Instance Learning in Whole Slide
Image Classification [0.0]
全スライド画像(WSI)分類は、計算病理学において重要な課題である。
現在の手法は、凍結した特徴抽出器を備えたMIL(Multiple-instance Learning)モデルに依存している。
本手法は,弱い教師付き分類タスクにおいて,最先端のMILモデルよりも優れていることを示す。
論文 参考訳(メタデータ) (2023-10-03T09:59:59Z) - Structured State Space Models for Multiple Instance Learning in Digital
Pathology [2.7221491938716964]
本稿では,デジタル病理学における様々な問題に対して,状態空間モデルを複数インスタンス学習者として用いることを提案する。
転移検出, 癌サブタイプ, 突然変異分類, マルチタスク学習における実験を通じて, この新しいモデルの競争力を実証した。
論文 参考訳(メタデータ) (2023-06-27T20:38:09Z) - Adaptive Context Selection for Polyp Segmentation [99.9959901908053]
本稿では,ローカルコンテキストアテンション(LCA)モジュール,グローバルコンテキストモジュール(GCM)モジュール,適応選択モジュール(ASM)モジュールで構成される適応コンテキスト選択に基づくエンコーダデコーダフレームワークを提案する。
LCAモジュールは、エンコーダ層からデコーダ層へローカルなコンテキスト機能を提供する。
GCMは、グローバルなコンテキストの特徴をさらに探求し、デコーダ層に送信することを目的としている。ASMは、チャンネルワイドアテンションを通じて、コンテキスト特徴の適応的選択と集約に使用される。
論文 参考訳(メタデータ) (2023-01-12T04:06:44Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳(メタデータ) (2022-11-29T23:47:56Z) - DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning
for Histopathology Whole Slide Image Classification [18.11776334311096]
マルチプル・インスタンス・ラーニング(MIL)は、スライド画像(WSI)の病理組織学的分類において、ますます使われている。
擬似バッグの概念を導入することにより,バッグの数を事実上拡大することを提案する。
我々はまた、注目に基づくMILの枠組みに基づくインスタンス確率の導出にも貢献し、この導出を利用して提案したフレームワークの構築と分析に役立てる。
論文 参考訳(メタデータ) (2022-03-22T22:33:42Z) - HIPA: Hierarchical Patch Transformer for Single Image Super Resolution [62.7081074931892]
本稿では,階層型パッチ分割を用いた高解像度画像を段階的に復元する新しいトランスフォーマーアーキテクチャHIPAを提案する。
入力画像を複数のステージで処理するカスケードモデルを構築し、小さなパッチサイズでトークンから始めて、徐々に全解像度にマージします。
このような階層的なパッチ機構は、複数の解像度で機能集約を可能にするだけでなく、異なる画像領域に対するパッチ認識機能も適応的に学習する。
論文 参考訳(メタデータ) (2022-03-19T05:09:34Z) - Accounting for Dependencies in Deep Learning Based Multiple Instance
Learning for Whole Slide Imaging [8.712556146101953]
多重インスタンス学習(MIL)は、スライド画像全体(WSI)を分類するための鍵となるアルゴリズムである。
ヒストロジー WSI には数十億ピクセルのピクセルがあり、膨大な計算とアノテーションの課題を生み出す。
本稿では,インスタンスの擬似ラベルに基づくインスタンス単位の損失関数を提案する。
論文 参考訳(メタデータ) (2021-11-01T06:50:33Z) - Rethinking Generative Zero-Shot Learning: An Ensemble Learning
Perspective for Recognising Visual Patches [52.67723703088284]
我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。
MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。
MPGANは最先端の手法よりもはるかに精度が高い。
論文 参考訳(メタデータ) (2020-07-27T05:49:44Z)
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。