論文の概要: A Survey on Graph-Based Deep Learning for Computational Histopathology
- arxiv url: http://arxiv.org/abs/2107.00272v1
- Date: Thu, 1 Jul 2021 07:50:35 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-02 13:51:05.712148
- Title: A Survey on Graph-Based Deep Learning for Computational Histopathology
- Title（参考訳）: 計算病理学におけるグラフベース深層学習の検討
- Authors: David Ahmedt-Aristizabal, Mohammad Ali Armin, Simon Denman, Clinton
Fookes, Lars Petersson
- Abstract要約: 我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。
畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。
本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
- 参考スコア（独自算出の注目度）: 36.58189530598098
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the remarkable success of representation learning for prediction
problems, we have witnessed a rapid expansion of the use of machine learning
and deep learning for the analysis of digital pathology and biopsy image
patches. However, traditional learning over patch-wise features using
convolutional neural networks limits the model when attempting to capture
global contextual information. The phenotypical and topological distribution of
constituent histological entities play a critical role in tissue diagnosis. As
such, graph data representations and deep learning have attracted significant
attention for encoding tissue representations, and capturing intra- and inter-
entity level interactions. In this review, we provide a conceptual grounding of
graph-based deep learning and discuss its current success for tumor
localization and classification, tumor invasion and staging, image retrieval,
and survival prediction. We provide an overview of these methods in a
systematic manner organized by the graph representation of the input image
including whole slide images and tissue microarrays. We also outline the
limitations of existing techniques, and suggest potential future advances in
this domain.
- Abstract（参考訳）: 予測問題に対する表現学習の顕著な成功により、デジタル病理学と生検画像パッチの分析における機械学習とディープラーニングの利用が急速に拡大しているのを目の当たりにした。
しかしながら、畳み込みニューラルネットワークを用いたパッチによる従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする場合のモデルを制限している。
組織診断における組織学的要素の表現型的およびトポロジカルな分布は重要な役割を担っている。
このように、グラフデータ表現と深層学習は組織表現を符号化し、組織内および間質レベルでの相互作用を捉えることに大きな注目を集めている。
本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
本稿では,これらの手法の概要を,スライド画像全体と組織マイクロアレイを含む入力画像のグラフ表現によって体系的に整理する。
また、既存の技術の限界を概説し、この領域における将来的な進歩を示唆する。
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) - Towards Label-efficient Automatic Diagnosis and Analysis: A
Comprehensive Survey of Advanced Deep Learning-based Weakly-supervised,
Semi-supervised and Self-supervised Techniques in Histopathological Image
Analysis [17.22614309681354]
病理像は, 疾患診断における金の基準である, 表現型情報や病理パターンが豊富である。
畳み込みニューラルネットワークで表現されるディープラーニングは、デジタル病理学の分野で徐々に主流になりつつある。
本稿では,コンピュータ病理学分野における弱教師付き学習,半教師付き学習,自己教師型学習に関する最新の研究を包括的かつ体系的に概説する。
論文 参考訳（メタデータ） (2022-08-18T11:49:41Z) - Contrastive Brain Network Learning via Hierarchical Signed Graph Pooling
Model [64.29487107585665]
脳機能ネットワーク上のグラフ表現学習技術は、臨床表現型および神経変性疾患のための新しいバイオマーカーの発見を容易にする。
本稿では,脳機能ネットワークからグラフレベル表現を抽出する階層型グラフ表現学習モデルを提案する。
また、モデルの性能をさらに向上させるために、機能的脳ネットワークデータをコントラスト学習のために拡張する新たな戦略を提案する。
論文 参考訳（メタデータ） (2022-07-14T20:03:52Z) - Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。
2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。
提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
論文 参考訳（メタデータ） (2021-12-23T12:17:47Z) - HistoCartography: A Toolkit for Graph Analytics in Digital Pathology [0.6299766708197883]
HistoCartographyは、計算病理学におけるグラフ分析を容易にするために必要な前処理、機械学習、説明可能性ツールを備えた標準化されたpython APIである。
画像の種類や病理組織学のタスクにまたがる複数のデータセットの計算時間と性能をベンチマークした。
論文 参考訳（メタデータ） (2021-07-21T13:34:14Z) - Graph-Based Deep Learning for Medical Diagnosis and Analysis: Past,
Present and Future [36.58189530598098]
医療データを分析するために、機械学習、特にディープラーニングメソッドをどのように活用するかを検討することが重要になっている。
既存のメソッドの大きな制限は、グリッドのようなデータにフォーカスすることです。
グラフニューラルネットワークは、生物学的システムに存在する暗黙の情報を利用することによって、大きな注目を集めている。
論文 参考訳（メタデータ） (2021-05-27T13:32:45Z) - 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) - Towards Deeper Graph Neural Networks [63.46470695525957]
グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。
いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。
本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
論文 参考訳（メタデータ） (2020-07-18T01:11:14Z) - Visualization for Histopathology Images using Graph Convolutional Neural
Networks [1.8939984161954087]
我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。
我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
論文 参考訳（メタデータ） (2020-06-16T19:14:19Z) - Deep neural network models for computational histopathology: A survey [1.2891210250935146]
深層学習は がん組織像の分析と解釈において 主流の方法論選択となりました
本稿では,現在使われている最先端の深層学習手法について概説する。
私たちは、現在のディープラーニングアプローチにおける重要な課題と制限と、将来の研究への道のりを強調します。
論文 参考訳（メタデータ） (2019-12-28T01:04:25Z)
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。