論文の概要: Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings
- arxiv url: http://arxiv.org/abs/2107.01063v1
- Date: Fri, 2 Jul 2021 13:18:45 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-05 18:25:15.614256
- Title: Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings
- Title(参考訳): 類似性に基づくマルチスケール埋め込みを用いた拡大非依存型組織像分類
- Authors: Yibao Sun, Xingru Huang, Yaqi Wang, Huiyu Zhou, Qianni Zhang
- Abstract要約: 本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
- 参考スコア(独自算出の注目度): 12.398787062519034
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The classification of histopathological images is of great value in both
cancer diagnosis and pathological studies. However, multiple reasons, such as
variations caused by magnification factors and class imbalance, make it a
challenging task where conventional methods that learn from image-label
datasets perform unsatisfactorily in many cases. We observe that tumours of the
same class often share common morphological patterns. To exploit this fact, we
propose an approach that learns similarity-based multi-scale embeddings (SMSE)
for magnification-independent histopathological image classification. In
particular, a pair loss and a triplet loss are leveraged to learn
similarity-based embeddings from image pairs or image triplets. The learned
embeddings provide accurate measurements of similarities between images, which
are regarded as a more effective form of representation for histopathological
morphology than normal image features. Furthermore, in order to ensure the
generated models are magnification-independent, images acquired at different
magnification factors are simultaneously fed to networks during training for
learning multi-scale embeddings. In addition to the SMSE, to eliminate the
impact of class imbalance, instead of using the hard sample mining strategy
that intuitively discards some easy samples, we introduce a new reinforced
focal loss to simultaneously punish hard misclassified samples while
suppressing easy well-classified samples. Experimental results show that the
SMSE improves the performance for histopathological image classification tasks
for both breast and liver cancers by a large margin compared to previous
methods. In particular, the SMSE achieves the best performance on the BreakHis
benchmark with an improvement ranging from 5% to 18% compared to previous
methods using traditional features.
- Abstract(参考訳): 病理組織像の分類は、癌診断と病理研究の両方において非常に重要である。
しかし、拡大係数やクラス不均衡など、複数の理由により、イメージラベルデータセットから学習する従来の手法が多くの場合、不十分に実行するという困難な課題となっている。
同じクラスの腫瘍は、しばしば共通の形態的パターンを共有しているのが観察される。
そこで本研究では,類似性に基づくマルチスケール埋め込み (SMSE) を用いた画像分類手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
学習された埋め込みは画像間の類似度を正確に測定し、通常の画像特徴よりも病理組織学的形態のより効果的な表現形態と見なされる。
さらに、生成したモデルが倍率非依存であることを保証するため、マルチスケール埋め込み学習のトレーニング中に異なる倍率係数で取得した画像をネットワークに同時に供給する。
smseに加えて, 簡単なサンプルを直感的に破棄するハードサンプルマイニング戦略を用いる代わりに, 容易に分類されたサンプルを抑圧しながら, ハードクラス分けされたサンプルを同時に罰する新たな強化焦点損失を導入する。
実験の結果,smseは乳腺癌および肝癌における病理組織学的画像分類タスクの性能を,従来法に比べて大きなマージンで改善することが判明した。
特に、SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の機能を使った方法に比べて5%から18%改善されている。
関連論文リスト
- Local Manifold Learning for No-Reference Image Quality Assessment [68.9577503732292]
No-Reference Image Quality Assessment(NR-IQA)のための、局所多様体学習とコントラスト学習を統合した革新的なフレームワークを提案する。
提案手法は,7つの標準データセットの最先端手法よりも優れた性能を示す。
論文 参考訳(メタデータ) (2024-06-27T15:14:23Z) - Classification of Breast Cancer Histopathology Images using a Modified Supervised Contrastive Learning Method [4.303291247305105]
モデルロバスト性を高めるために、画像レベルラベルとドメイン固有の拡張の両方を活用することで教師付きコントラスト学習法を改善する。
乳癌の病理組織像から得られたBreakHisデータセットについて検討した。
この改良は93.63%の絶対精度に対応し、データの特性を利用してより適切な表現空間を学習するアプローチの有効性を強調した。
論文 参考訳(メタデータ) (2024-05-06T17:06:11Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Learning Discriminative Representation via Metric Learning for
Imbalanced Medical Image Classification [52.94051907952536]
本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。
主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
論文 参考訳(メタデータ) (2022-07-14T14:57:01Z) - Trusted Multi-Scale Classification Framework for Whole Slide Image [24.38749637821446]
ギガピクセル全体スライディング画像(WSI)のための信頼度の高いマルチスケール分類フレームワークを提案する。
本フレームワークは,顕微鏡の各々の倍率の不確かさを推定し,異なる倍率から証拠を統合することによって,モデリングを共同で分類することができる。
論文 参考訳(メタデータ) (2022-07-12T03:57:08Z) - A Semi-Supervised Classification Method of Apicomplexan Parasites and
Host Cell Using Contrastive Learning Strategy [6.677163460963862]
本稿では, 3種類のアピコプレキサン寄生虫と非感染宿主細胞顕微鏡像の半教師付き分類法を提案する。
少数のラベル付きデータと多数のラベルなしデータをトレーニングに使用します。
顕微鏡画像の1%しかラベル付けされていない場合、提案手法は一般化された試験セットで94.90%の精度に達する。
論文 参考訳(メタデータ) (2021-04-14T02:34:50Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳(メタデータ) (2021-04-02T20:52:05Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳(メタデータ) (2020-04-14T22:46:20Z) - Breast Cancer Histopathology Image Classification and Localization using
Multiple Instance Learning [2.4178424543973267]
診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。
病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。
本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
論文 参考訳(メタデータ) (2020-02-16T10:29:16Z)
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。