論文の概要: MHAttnSurv: Multi-Head Attention for Survival Prediction Using Whole-Slide Pathology Images

• arxiv url: http://arxiv.org/abs/2110.11558v1
• Date: Fri, 22 Oct 2021 02:18:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-10-25 15:59:12.045110
• Title: MHAttnSurv: Multi-Head Attention for Survival Prediction Using Whole-Slide Pathology Images
• Title（参考訳）: MHAttnSurv:全スライディング画像を用いた生存予測のためのマルチヘッド注意
• Authors: Shuai Jiang, Arief A. Suriawinata, Saeed Hassanpour
• Abstract要約: 腫瘍スライドの様々な部分に焦点を合わせ,WSIからより包括的な情報抽出を行うマルチヘッドアテンションアプローチを開発した。 われわれのモデルでは平均Cインデックス0.640を達成し、WSIベースの生存予測のための2つの最先端アプローチを上回りました。
• 参考スコア（独自算出の注目度）: 4.148207298604488
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In pathology, whole-slide images (WSI) based survival prediction has attracted increasing interest. However, given the large size of WSIs and the lack of pathologist annotations, extracting the prognostic information from WSIs remains a challenging task. Previous studies have used multiple instance learning approaches to combine the information from multiple randomly sampled patches, but different visual patterns may contribute differently to prognosis prediction. In this study, we developed a multi-head attention approach to focus on various parts of a tumor slide, for more comprehensive information extraction from WSIs. We evaluated our approach on four cancer types from The Cancer Genome Atlas database. Our model achieved an average c-index of 0.640, outperforming two existing state-of-the-art approaches for WSI-based survival prediction, which have an average c-index of 0.603 and 0.619 on these datasets. Visualization of our attention maps reveals each attention head focuses synergistically on different morphological patterns.
• Abstract（参考訳）: 病理学では、全体スライダー画像(wsi)に基づく生存予測が注目されている。 しかし、WSIsの大規模化と病理学者のアノテーションの欠如を考えると、WSIsから予後情報を抽出することは難しい課題である。 従来の研究では、複数のランダムにサンプリングされたパッチからの情報を組み合わせるために複数のインスタンス学習アプローチが用いられてきたが、異なる視覚パターンが予後予測に異なる貢献をする可能性がある。 本研究では,腫瘍スライドの様々な部分に着目し,WSIからより包括的な情報抽出を行うマルチヘッドアテンション手法を開発した。 The Cancer Genome Atlas database から4種類の癌について検討した。 平均c-indexは0.640で、wsiベースのサバイバル予測には2つの既存手法を上回っており、平均c-indexは0.603と0.619である。 注意マップの可視化により、それぞれの注意ヘッドは異なる形態パターンに相乗的に焦点を合わせていることが明らかとなった。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• 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)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology [1.916179040410189]
  デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。 このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。 本稿では,WSI分類のための新しい学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-06-30T20:30:33Z)
• Colorectal cancer survival prediction using deep distribution based multiple-instance learning [5.231498575799198]
  分布に基づくマルチインスタンスサバイバル学習アルゴリズム(DeepDisMISL)を開発した。 以上の結果から,WSI に対するパッチスコアの分布に関する情報が増えるほど,予測性能が向上することが示唆された。 DeepDisMISLは、最近発表された最先端のアルゴリズムよりも優れた予測能力を示した。
  論文  参考訳（メタデータ） (2022-04-24T14:55:57Z)
• Multi-task fusion for improving mammography screening data classification [3.7683182861690843]
  まず、個別のタスク固有のモデルのセットをトレーニングするパイプラインアプローチを提案する。 次に、標準モデルの集合戦略とは対照的に、その融合について検討する。 我々の融合アプローチは、標準モデルのアンサンブルに比べてAUCのスコアを最大0.04向上させる。
  論文  参考訳（メタデータ） (2021-12-01T13:56:27Z)
• Whole Slide Images based Cancer Survival Prediction using Attention Guided Deep Multiple Instance Learning Networks [38.39901070720532]
  Whole Slide Images(WSIs)から派生したキーパッチやクラスタに制限される現在の画像ベースサバイバルモデル 我々は,シムMI-FCNとアテンションベースMILプーリングの両方を導入して,Deep Attention Multiple Instance Survival Learning (DeepAttnMISL)を提案する。 提案手法を2つの大きな癌全スライド画像データセットで評価した結果,提案手法がより効果的で,大規模データセットに適していることが示唆された。
  論文  参考訳（メタデータ） (2020-09-23T14:31:15Z)
• Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
  被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。 グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。 まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
  論文  参考訳（メタデータ） (2020-06-11T17:29:53Z)
• 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)

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。