論文の概要: Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning

• arxiv url: http://arxiv.org/abs/2109.06547v1
• Date: Tue, 14 Sep 2021 09:42:37 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-15 15:28:16.261289
• Title: Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning
• Title（参考訳）: deep transfer learning を用いた髄芽腫腫瘍分類の多段階的入力戦略
• Authors: Marcel Bengs, Satish Pant, Michael Bockmayr, Ulrich Sch\"uller, Alexander Schlaefer
• Abstract要約: 乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
• 参考スコア（独自算出の注目度）: 59.30734371401316
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Medulloblastoma (MB) is a primary central nervous system tumor and the most common malignant brain cancer among children. Neuropathologists perform microscopic inspection of histopathological tissue slides under a microscope to assess the severity of the tumor. This is a time-consuming task and often infused with observer variability. Recently, pre-trained convolutional neural networks (CNN) have shown promising results for MB subtype classification. Typically, high-resolution images are divided into smaller tiles for classification, while the size of the tiles has not been systematically evaluated. We study the impact of tile size and input strategy and classify the two major histopathological subtypes-Classic and Demoplastic/Nodular. To this end, we use recently proposed EfficientNets and evaluate tiles with increasing size combined with various downsampling scales. Our results demonstrate using large input tiles pixels followed by intermediate downsampling and patch cropping significantly improves MB classification performance. Our top-performing method achieves the AUC-ROC value of 90.90\% compared to 84.53\% using the previous approach with smaller input tiles.
• Abstract（参考訳）: 髄芽腫(MB)は原発性中枢神経系腫瘍であり,小児で最も多い悪性脳腫瘍である。 神経病理学者は、顕微鏡下で病理組織スライドの顕微鏡検査を行い、腫瘍の重症度を評価する。 これは時間のかかる作業であり、しばしばオブザーバーの変動と混同される。 近年,事前学習型畳み込みニューラルネットワーク(CNN)は,MBサブタイプ分類に有望な結果を示している。 通常、高解像度画像は分類のために小さなタイルに分割されるが、タイルのサイズは体系的に評価されていない。 タイルサイズと入力戦略の影響について検討し,2種類の病理組織学的サブタイプを分類した。 この目的のために,最近提案するefficiantnetsを用いて,様々なダウンサンプリングスケールと組み合わせて,サイズを増加させたタイルを評価する。 以上の結果から,大型の入力タイルを用いた中型ダウンサンプリングとパッチトリッピングによりMB分類性能は著しく向上した。 AUC-ROC値が90.90 %であるのに対し,入力タイルが小さい従来の手法では84.53 %であった。

関連論文リスト

• 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)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
  本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。 本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
  論文  参考訳（メタデータ） (2021-08-08T11:26:34Z)
• Wide & Deep neural network model for patch aggregation in CNN-based prostate cancer detection systems [51.19354417900591]
  前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。 自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。 パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
  論文  参考訳（メタデータ） (2021-05-20T18:13:58Z)
• A Multi-Scale Conditional Deep Model for Tumor Cell Ratio Counting [4.164451715899639]
  組織スライド全体の腫瘍細胞の比率を正確に把握する手法を提案する。 我々は、H&E染色組織断面の画像上で細胞を検出し分類するために訓練された、完全な畳み込みニューラルネットワークモデルを使用する。 2つのモデルを組み合わせることで、それぞれ異なる倍率で作業することで、システムはセルレベルの詳細と周囲のコンテキストの両方をキャプチャできることを示す。
  論文  参考訳（メタデータ） (2021-01-27T22:40:33Z)
• Investigating and Exploiting Image Resolution for Transfer Learning-based Skin Lesion Classification [3.110738188734789]
  CNNは皮膚病変の分類に有効であることが示されている。 本稿では,入力画像サイズが細調整CNNの皮膚病変分類性能に及ぼす影響について検討する。 以上の結果から,64×64ピクセルの非常に小さな画像を用いて分類性能を低下させる一方,128×128ピクセルの画像では画像サイズが大きくなり,分類精度がわずかに向上した。
  論文  参考訳（メタデータ） (2020-06-25T21:51:24Z)
• A Two-Stage Multiple Instance Learning Framework for the Detection of Breast Cancer in Mammograms [13.842620686759616]
  乳がんの大規模検診ではマンモグラムが一般的に用いられる。 画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。 グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。 画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
  論文  参考訳（メタデータ） (2020-04-24T13:06:47Z)
• Resource-Frugal Classification and Analysis of Pathology Slides Using Image Entropy [0.0]
  肺悪性腫瘍の病理組織学的スライドは、リソースフルーガル畳み込みニューラルネットワーク(CNN)を用いて分類される 軽量CNNは、スライドを分類するために集約されたタイルレベルの分類を生成する。 カラー符号化された確率マップは、タイルの重なり合い、タイルレベルの確率をピクセルレベルで平均化する。
  論文  参考訳（メタデータ） (2020-02-16T18:42:36Z)

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。