論文の概要: DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis

• arxiv url: http://arxiv.org/abs/2109.05788v1
• Date: Mon, 13 Sep 2021 09:10:43 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-14 15:34:41.405008
• Title: DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis
• Title（参考訳）: DSNet: 弱スーパービジョンギガピクセル画像解析のためのデュアルストリームフレームワーク
• Authors: Tiange Xiang, Yang Song, Chaoyi Zhang, Dongnan Liu, Mei Chen, Fan Zhang, Heng Huang, Lauren O'Donnell, Weidong Cai
• Abstract要約: スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
• 参考スコア（独自算出の注目度）: 78.78181964748144
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We present a novel weakly-supervised framework for classifying whole slide images (WSIs). WSIs, due to their gigapixel resolution, are commonly processed by patch-wise classification with patch-level labels. However, patch-level labels require precise annotations, which is expensive and usually unavailable on clinical data. With image-level labels only, patch-wise classification would be sub-optimal due to inconsistency between the patch appearance and image-level label. To address this issue, we posit that WSI analysis can be effectively conducted by integrating information at both high magnification (local) and low magnification (regional) levels. We auto-encode the visual signals in each patch into a latent embedding vector representing local information, and down-sample the raw WSI to hardware-acceptable thumbnails representing regional information. The WSI label is then predicted with a Dual-Stream Network (DSNet), which takes the transformed local patch embeddings and multi-scale thumbnail images as inputs and can be trained by the image-level label only. Experiments conducted on two large-scale public datasets demonstrate that our method outperforms all recent state-of-the-art weakly-supervised WSI classification methods.
• Abstract（参考訳）: 本稿では,スライド画像全体(WSI)を分類する手法を提案する。 WSIは、ギガピクセルの解像度のため、一般にパッチレベルのラベルを持つパッチワイド分類によって処理される。 しかし、パッチレベルのラベルには正確なアノテーションが必要であり、これは高価であり、通常臨床データでは利用できない。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。 この問題に対処するために,高倍率(局所)と低倍率(地域)の両方の情報を統合することで,wsi分析を効果的に行えることを実証する。 我々は各パッチの視覚信号をローカル情報を表す潜伏埋め込みベクトルに自動エンコードし、生のWSIをローカル情報を表すハードウェア対応サムネイルにダウンサンプリングする。 次に、wsiラベルは、変換されたローカルパッチ埋め込みとマルチスケールサムネイルイメージを入力として、イメージレベルラベルのみによってトレーニング可能なデュアルストリームネットワーク(dsnet)によって予測される。 2つの大規模公開データセットで行った実験は、我々の手法が最新の最先端のWSI分類方法よりも優れていることを示した。

関連論文リスト

• Label Filling via Mixed Supervision for Medical Image Segmentation from Noisy Annotations [22.910649758574852]
  本稿では,LF-Net と呼ばれるシンプルで効果的なラベルフィリングフレームワークを提案する。 トレーニング中にノイズの多いアノテーションのみを付与した、基礎的なセグメンテーションラベルを予測する。 5つのデータセットの結果から、LF-Netは最先端の手法と比較して、すべてのデータセットのセグメンテーション精度を向上することが示された。
  論文  参考訳（メタデータ） (2024-10-21T14:36:36Z)
• FAST: A Dual-tier Few-Shot Learning Paradigm for Whole Slide Image Classification [23.323845050957196]
  既存のWSI分類法では、少数のきめ細かいラベルや弱い教師付きスライドラベルしか使用していない。 利用可能なWSIを十分にマイニングすることができず、WSI分類性能を著しく制限しています。 本稿では,WSI分類のためのFASTという,新規で効率的な2層複数ショット学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2024-09-29T14:31:52Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer [8.790852468118208]
  WholeSIGHTは、Whole-Slide画像の分類と分類を行う弱い教師付き手法である。 前立腺癌3例のWSIデータセットを用いてWholeSIGHTを評価した。
  論文  参考訳（メタデータ） (2023-01-07T20:38:36Z)
• Dual-Perspective Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [70.36722026729859]
  本稿では,多粒度カテゴリ固有の意味表現を異なる画像にブレンドした,二重パースペクティブな意味認識表現ブレンディング(DSRB)を提案する。 提案したDSは、すべての比率ラベル設定において、最先端のアルゴリズムを一貫して上回っている。
  論文  参考訳（メタデータ） (2022-05-26T00:33:44Z)
• Learning Self-Supervised Low-Rank Network for Single-Stage Weakly and Semi-Supervised Semantic Segmentation [119.009033745244]
  本稿では,単一段階弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)と半教師付きセマンティクスセマンティクスセマンティクス(SSSS)のための自己教師付き低ランクネットワーク(SLRNet)を提案する。 SLRNetは、画像の異なるビューから複数の注意深いLR表現を同時に予測し、正確な擬似ラベルを学習する。 Pascal VOC 2012、COCO、L2IDデータセットの実験では、SLRNetは最先端のWSSSメソッドとSSSSメソッドの両方で、さまざまな設定で優れています。
  論文  参考訳（メタデータ） (2022-03-19T09:19:55Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• Semi-weakly Supervised Contrastive Representation Learning for Retinal Fundus Images [0.2538209532048867]
  本稿では,半弱化アノテーションを用いた表現学習のための,半弱化教師付きコントラスト学習フレームワークを提案する。 SWCLの移動学習性能を7つの公立網膜眼底データセットで実証的に検証した。
  論文  参考訳（メタデータ） (2021-08-04T15:50:09Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Pay Attention with Focus: A Novel Learning Scheme for Classification of Whole Slide Images [8.416553728391309]
  スライド画像全体(WSI)を解析するための新しい2段階アプローチを提案する。 まず、WSIから代表パッチ(モザイクと呼ばれる)を抽出する。 モザイクの各パッチは、ディープネットワークを用いて特徴ベクトルに符号化される。 第2段階では、WSIから符号化されたパッチレベルの一連の特徴を用いて、一次診断確率を算出する。
  論文  参考訳（メタデータ） (2021-06-11T21:59:02Z)

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。