論文の概要: PDBL: Improving Histopathological Tissue Classification with
Plug-and-Play Pyramidal Deep-Broad Learning
- arxiv url: http://arxiv.org/abs/2111.03063v1
- Date: Thu, 4 Nov 2021 09:35:12 GMT
- ステータス: 処理完了
- システム内更新日: 2021-11-09 05:27:13.517761
- Title: PDBL: Improving Histopathological Tissue Classification with
Plug-and-Play Pyramidal Deep-Broad Learning
- Title（参考訳）: PDBL : Plug-and-Play Pyramidal Deep-Broad Learningによる組織分類の改善
- Authors: Jiatai Lin, Guoqiang Han, Xipeng Pan, Hao Chen, Danyi Li, Xiping Jia,
Zhenwei Shi, Zhizhen Wang, Yanfen Cui, Haiming Li, Changhong Liang, Li Liang,
Zaiyi Liu, Chu Han
- Abstract要約: Pyramidal Deep-Broad Learning (PDBL) は、よく訓練された分類バックボーンのための軽量なプラグイン・アンド・プレイモジュールである。
PDBLは、任意のCNNバックボーンの組織レベルの分類性能を着実に改善することができる。
- 参考スコア（独自算出の注目度）: 20.940530194934972
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Histopathological tissue classification is a fundamental task in pathomics
cancer research. Precisely differentiating different tissue types is a benefit
for the downstream researches, like cancer diagnosis, prognosis and etc.
Existing works mostly leverage the popular classification backbones in computer
vision to achieve histopathological tissue classification. In this paper, we
proposed a super lightweight plug-and-play module, named Pyramidal Deep-Broad
Learning (PDBL), for any well-trained classification backbone to further
improve the classification performance without a re-training burden. We mimic
how pathologists observe pathology slides in different magnifications and
construct an image pyramid for the input image in order to obtain the pyramidal
contextual information. For each level in the pyramid, we extract the
multi-scale deep-broad features by our proposed Deep-Broad block (DB-block). We
equipped PDBL in three popular classification backbones, ShuffLeNetV2,
EfficientNetb0, and ResNet50 to evaluate the effectiveness and efficiency of
our proposed module on two datasets (Kather Multiclass Dataset and the LC25000
Dataset). Experimental results demonstrate the proposed PDBL can steadily
improve the tissue-level classification performance for any CNN backbones,
especially for the lightweight models when given a small among of training
samples (less than 10%), which greatly saves the computational time and
annotation efforts.
- Abstract（参考訳）: 病理組織分類は病理組織学研究の基本的な課題である。
組織の種類を正確に区別することは、がんの診断や予後などの下流研究の利点である。
既存の研究は主にコンピュータビジョンの一般的な分類バックボーンを活用し、病理組織組織分類を実現している。
本稿では,学習負荷を伴わずに分類性能をさらに向上させるために,Praamidal Deep-Broad Learning (PDBL) という超軽量なプラグイン・アンド・プレイ・モジュールを提案する。
病理学者が異なる拡大度で病理スライドを観察する方法を模倣し、入力画像に対する画像ピラミッドを構築し、ピラミッド的文脈情報を得る。
ピラミッド内の各レベルについて,提案したディープブロードブロック(DBブロック)を用いて,マルチスケールのディープブロード特徴を抽出する。
PDBLを3つの一般的な分類バックボーン(ShuffLeNetV2,EfficientNetb0,ResNet50)に実装し,提案したモジュールの有効性と効率を2つのデータセット上で評価した。
実験結果から,提案するpdblは,任意のcnnバックボーンの組織レベルの分類性能,特にトレーニングサンプルのごく一部(10%未満)が与えられた場合の軽量モデルにおいて着実に向上し,計算時間とアノテーションの労力を大幅に削減できることを示した。
関連論文リスト
- Benchmarking Hierarchical Image Pyramid Transformer for the classification of colon biopsies and polyps in histopathology images [1.0007063839516088]
自己教師型学習の最近の進歩は、アノテーションを必要とせずに、高度に記述的な画像表現を学習できることを示してきた。
近年の階層画像ピラミッド変換器(HIPT)の大腸生検・ポリープ分類への応用について検討した。
論文 参考訳（メタデータ） (2024-05-24T00:59:30Z) - UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。
異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。
特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文 参考訳（メタデータ） (2024-02-20T11:50:27Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳（メタデータ） (2023-10-11T05:49:47Z) - Tissue Classification During Needle Insertion Using Self-Supervised
Contrastive Learning and Optical Coherence Tomography [53.38589633687604]
針先端で取得した複雑なCT信号の位相および強度データから組織を分類するディープニューラルネットワークを提案する。
トレーニングセットの10%で、提案した事前学習戦略により、モデルが0.84のF1スコアを達成するのに対して、モデルが0.60のF1スコアを得るのに対して、モデルが0.84のF1スコアを得るのに役立ちます。
論文 参考訳（メタデータ） (2023-04-26T14:11:04Z) - Classification in Histopathology: A unique deep embeddings extractor for
multiple classification tasks [0.0]
私たちは、イメージを深い特徴に変換するために、訓練済みのディープ埋め込み抽出器を1つ使用しています。
また、各分類タスクに対して、これらの埋め込みに対して、小さな専用分類ヘッドをトレーニングします。
このアプローチは、さまざまなタスクに対して、トレーニング済みの1つのディープネットワークを再利用する機能など、いくつかのメリットを提供します。
論文 参考訳（メタデータ） (2023-03-09T11:19:42Z) - Joint localization and classification of breast tumors on ultrasound
images using a novel auxiliary attention-based framework [7.6620616780444974]
本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。
提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
論文 参考訳（メタデータ） (2022-10-11T20:14:13Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳（メタデータ） (2022-04-18T13:31:53Z) - Federated Learning for the Classification of Tumor Infiltrating
Lymphocytes [5.881088147423591]
デジタル化組織断面解析のための深層学習モデルの開発において,フェデレートラーニング(FL)の性能を評価する。
スライド画像全体から抽出した50*50平方ミクロンパッチを用いてディープラーニング分類モデルを訓練した。
論文 参考訳（メタデータ） (2022-03-30T19:10:50Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
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。
論文 参考訳（メタデータ） (2021-09-14T09:42:37Z) - 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) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳（メタデータ） (2021-01-27T19:28:04Z)
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。