論文の概要: TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classication

• arxiv url: http://arxiv.org/abs/2106.00908v1
• Date: Wed, 2 Jun 2021 02:57:54 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-04 07:33:20.585598
• Title: TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classication
• Title（参考訳）: TransMIL:全スライド画像の古典化のためのトランスフォーマーベース関連マルチインスタンス学習
• Authors: Zhuchen Shao, Hao Bian, Yang Chen, Yifeng Wang, Jian Zhang, Xiangyang Ji, Yongbing Zhang
• Abstract要約: マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。 我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。 我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
• 参考スコア（独自算出の注目度）: 38.58585442160062
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Multiple instance learning (MIL) is a powerful tool to solve the weakly supervised classification in whole slide image (WSI) based pathology diagnosis. However, the current MIL methods are usually based on independent and identical distribution hypothesis, thus neglect the correlation among different instances. To address this problem, we proposed a new framework, called correlated MIL, and provided a proof for convergence. Based on this framework, we devised a Transformer based MIL (TransMIL), which explored both morphological and spatial information. The proposed TransMIL can effectively deal with unbalanced/balanced and binary/multiple classification with great visualization and interpretability. We conducted various experiments for three different computational pathology problems and achieved better performance and faster convergence compared with state-of-the-art methods. The test AUC for the binary tumor classification can be up to 93.09% over CAMELYON16 dataset. And the AUC over the cancer subtypes classification can be up to 96.03% and 98.82% over TCGA-NSCLC dataset and TCGA-RCC dataset, respectively.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング(MIL)は,スライド画像全体(WSI)に基づく病理診断において,弱い教師付き分類を解く強力なツールである。 しかし、現在のMIL法は通常、独立分布と同一分布の仮説に基づいているため、異なるインスタンス間の相関は無視される。 この問題に対処するため,我々は相関型MILと呼ばれる新しいフレームワークを提案し,収束の証明を提供した。 この枠組みに基づいて、形態情報と空間情報の両方を探索するトランスフォーマーベースのMIL(TransMIL)を考案した。 提案するtransmilは,非バランス・バランス・バイナリ/マルチプル分類を効果的に処理でき,可視化と解釈性が向上する。 3つの異なる計算病理問題に対して様々な実験を行い,最先端法と比較して高い性能と高速収束を達成した。 バイナリ腫瘍分類のためのAUCのテストは、CAMELYON16データセットよりも最大93.09%高い。 また、がんサブタイプの分類に関するAUCは、それぞれTGA-NSCLCデータセットとTGA-RCCデータセットよりも96.03%、98.82%である。

関連論文リスト

• The effect of data augmentation and 3D-CNN depth on Alzheimer's Disease detection [51.697248252191265]
  この研究は、データハンドリング、実験設計、モデル評価に関するベストプラクティスを要約し、厳密に観察する。 我々は、アルツハイマー病(AD)の検出に焦点を当て、医療における課題のパラダイム的な例として機能する。 このフレームワークでは,3つの異なるデータ拡張戦略と5つの異なる3D CNNアーキテクチャを考慮し,予測15モデルを訓練する。
  論文  参考訳（メタデータ） (2023-09-13T10:40:41Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• Multi-level Multiple Instance Learning with Transformer for Whole Slide Image Classification [32.43847786719133]
  ホイルスライド画像(WSI)は、コンピュータ支援診断(CAD)において広く用いられている高解像度スキャンされた組織像の一種である。 本稿では,MIL に階層構造を導入し,多数のインスタンスを含む MIL タスクの効率的な処理を可能にするマルチレベル MIL (MMIL) 方式を提案する。 MMILに基づくMMIL-Transformerは,大規模MILタスクに対して,ウィンドウ化された正確な自己アテンションを持つ効率的なトランスフォーマーモデルである。
  論文  参考訳（メタデータ） (2023-06-08T08:29:10Z)
• Multi-Modality Multi-Scale Cardiovascular Disease Subtypes Classification Using Raman Image and Medical History [2.9315342447802317]
  これらの問題に対処する2つのコアモジュールを持つ新しいディープラーニング手法であるM3Sというマルチモードマルチスケールモデルを提案する。 まず,図形角度場(GAF)による様々な解像度画像にRSデータを変換してニュアンスを拡大する。 第2に、RSと医療履歴データを組み合わせて分類能力を高めるために、確率行列と重み行列を用いる。
  論文  参考訳（メタデータ） (2023-04-18T22:09:16Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• 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)
• Multiplex-detection Based Multiple Instance Learning Network for Whole Slide Image Classification [2.61155594652503]
  マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。 本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。 具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
  論文  参考訳（メタデータ） (2022-08-06T14:36:48Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。