論文の概要: Semantic annotation for computational pathology: Multidisciplinary
experience and best practice recommendations
- arxiv url: http://arxiv.org/abs/2106.13689v1
- Date: Fri, 25 Jun 2021 15:15:17 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-28 13:09:27.530406
- Title: Semantic annotation for computational pathology: Multidisciplinary
experience and best practice recommendations
- Title(参考訳): 計算病理学のセマンティックアノテーション:多分野経験とベストプラクティス勧告
- Authors: Noorul Wahab, Islam M Miligy, Katherine Dodd, Harvir Sahota, Michael
Toss, Wenqi Lu, Mostafa Jahanifar, Mohsin Bilal, Simon Graham, Young Park,
Giorgos Hadjigeorghiou, Abhir Bhalerao, Ayat Lashen, Asmaa Ibrahim, Ayaka
Katayama, Henry O Ebili, Matthew Parkin, Tom Sorell, Shan E Ahmed Raza, Emily
Hero, Hesham Eldaly, Yee Wah Tsang, Kishore Gopalakrishnan, David Snead, Emad
Rakha, Nasir Rajpoot, Fayyaz Minhas
- Abstract要約: CPath(Computational Pathology)は、スライド画像全体に埋め込まれた情報を利用する統合的なソリューションを提供する。
WSIの自動分析と機械学習(ML)モデルの検証には、スライドでのアノテーション、組織、細胞レベルが必要である。
CPathプロジェクトにおけるアノテーションの重要な役割にもかかわらず、アノテーションの実施方法に関する明確なガイドラインやベストプラクティスは存在しない。
- 参考スコア(独自算出の注目度): 5.686120367085792
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Recent advances in whole slide imaging (WSI) technology have led to the
development of a myriad of computer vision and artificial intelligence (AI)
based diagnostic, prognostic, and predictive algorithms. Computational
Pathology (CPath) offers an integrated solution to utilize information embedded
in pathology WSIs beyond what we obtain through visual assessment. For
automated analysis of WSIs and validation of machine learning (ML) models,
annotations at the slide, tissue and cellular levels are required. The
annotation of important visual constructs in pathology images is an important
component of CPath projects. Improper annotations can result in algorithms
which are hard to interpret and can potentially produce inaccurate and
inconsistent results. Despite the crucial role of annotations in CPath
projects, there are no well-defined guidelines or best practices on how
annotations should be carried out. In this paper, we address this shortcoming
by presenting the experience and best practices acquired during the execution
of a large-scale annotation exercise involving a multidisciplinary team of
pathologists, ML experts and researchers as part of the Pathology image data
Lake for Analytics, Knowledge and Education (PathLAKE) consortium. We present a
real-world case study along with examples of different types of annotations,
diagnostic algorithm, annotation data dictionary and annotation constructs. The
analyses reported in this work highlight best practice recommendations that can
be used as annotation guidelines over the lifecycle of a CPath project.
- Abstract(参考訳): フルスライドイメージング(wsi)技術の最近の進歩は、無数のコンピュータビジョンと人工知能(ai)ベースの診断、予測、予測アルゴリズムの開発につながった。
CPath(Computational Pathology)は、病理学のWSIに埋め込まれた情報を活用するための統合されたソリューションを提供する。
WSIの自動分析と機械学習(ML)モデルの検証には、スライドでのアノテーション、組織、細胞レベルが必要である。
病理画像における重要な視覚構成物のアノテーションはCPathプロジェクトの重要な構成要素である。
不適切なアノテーションは解釈が難しいアルゴリズムとなり、不正確で一貫性のない結果を生み出す可能性がある。
CPathプロジェクトにおけるアノテーションの重要な役割にもかかわらず、アノテーションの実施方法に関する明確なガイドラインやベストプラクティスは存在しない。
本稿では,多分野にわたる病理学者,ML専門家,研究者による大規模アノテーション演習の実施中に得られた経験とベストプラクティスを,PathLAKEコンソーシアム(Lake for Analytics, Knowledge and Education)コンソーシアムの一部として提示することで,この問題に対処する。
本稿では,様々な種類のアノテーション,診断アルゴリズム,アノテーションデータ辞書,アノテーション構成例とともに実世界のケーススタディを示す。
この研究で報告された分析は、CPathプロジェクトのライフサイクルに関するガイドラインとして使用できるベストプラクティスの推奨を強調している。
関連論文リスト
- Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。
ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
論文 参考訳(メタデータ) (2024-04-15T17:11:25Z) - MLIP: Enhancing Medical Visual Representation with Divergence Encoder
and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。
我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。
特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文 参考訳(メタデータ) (2024-02-03T05:48:50Z) - Domain Generalization in Computational Pathology: Survey and Guidelines [2.790591243289254]
アウト・オブ・ディストリビューション(out-of-distribution)データは、Emph domain shift(DS)を引き起こす。
DSはトレーニングされたモデルの一般化をわずかに異なるデータ分布を持つ未知のデータセットに還元する。
複雑なDG問題に対処するため,28個の最先端DGアルゴリズムを用いて徹底的なベンチマーク実験を行った。
論文 参考訳(メタデータ) (2023-10-30T15:39:19Z) - Unsupervised Representation Learning from Pathology Images with
Multi-directional Contrastive Predictive Coding [0.33148826359547523]
本稿では,デジタル病理パッチを用いたcpcフレームワークの修正について述べる。
これは潜在コンテキストを構築するための代替マスクを導入することで実現される。
提案法は, 組織学的パッチの深部分類を改良できることを示す。
論文 参考訳(メタデータ) (2021-05-11T21:17:13Z) - A Meta-embedding-based Ensemble Approach for ICD Coding Prediction [64.42386426730695]
国際疾病分類 (icd) は、世界中で臨床コーディングに使われているデファクトコードである。
これらのコードにより、医療提供者は償還を請求し、診断情報の効率的な保管と検索を容易にします。
提案手法は,日常的な医学データと科学論文の外部知識を用いて,効果的に単語ベクトルを訓練することにより,神経モデルの性能を高める。
論文 参考訳(メタデータ) (2021-02-26T17:49:58Z) - NuCLS: A scalable crowdsourcing, deep learning approach and dataset for
nucleus classification, localization and segmentation [0.0]
ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。
十分な量の品質ラベルを生成することは 計算病理学において 重要な障壁として現れています
弱いアルゴリズムが生成するアノテーションは、非専門家が生成するアノテーションの精度をいかに向上させるかを示す。
論文 参考訳(メタデータ) (2021-02-18T01:17:17Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳(メタデータ) (2021-02-15T18:46:44Z) - Improving Interpretability for Computer-aided Diagnosis tools on Whole
Slide Imaging with Multiple Instance Learning and Gradient-based Explanations [2.5461557112299773]
我々はWSI分類アーキテクチャの設計を形式化し、断片的解釈可能性アプローチを提案する。
本研究の目的は,タイルレベルスコアに基づいて決定を下す方法,タイルスコアがどう決定されるか,どの機能を用いてタスクに関連があるかを説明することである。
そこで本研究では,AUCにおけるタイルレベルの分類性能を29%以上向上させる,新しい解釈可能性スライドレベルの熱マップを提案する。
論文 参考訳(メタデータ) (2020-09-29T13:39:27Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-05T13:46:16Z) - Effects of annotation granularity in deep learning models for
histopathological images [5.841728014428438]
本研究は,画像ワイド,バウンディングボックス,楕円ワイド,ピクセルワイドを含む注釈付きデータセットの粒度について検討する。
分類において、最先端のディープラーニングベースの分類器は、ピクセルワイズ・アノテーション・データセットによって訓練された場合、より優れた性能を発揮する。
本研究は, より微細なアノテーションが深層学習モデルの性能を向上させるだけでなく, より正確な表現型情報を抽出する上でも有効であることを示す。
論文 参考訳(メタデータ) (2020-01-14T08:39:51Z)
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。