論文の概要: Neuroplastic graph attention networks for nuclei segmentation in histopathology images

• arxiv url: http://arxiv.org/abs/2201.03669v1
• Date: Mon, 10 Jan 2022 22:19:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-01-12 15:05:46.682554
• Title: Neuroplastic graph attention networks for nuclei segmentation in histopathology images
• Title（参考訳）: 病理組織像における核セグメンテーションのための神経可塑性グラフアテンションネットワーク
• Authors: Yoav Alon, Huiyu Zhou
• Abstract要約: 細胞核のセマンティックセグメンテーションのための新しいアーキテクチャを提案する。 このアーキテクチャは、新しい神経可塑性グラフアテンションネットワークで構成されている。 実験的な評価では、我々のフレームワークは最先端のニューラルネットワークのアンサンブルよりも優れています。
• 参考スコア（独自算出の注目度）: 17.30043617044508
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Modern histopathological image analysis relies on the segmentation of cell structures to derive quantitative metrics required in biomedical research and clinical diagnostics. State-of-the-art deep learning approaches predominantly apply convolutional layers in segmentation and are typically highly customized for a specific experimental configuration; often unable to generalize to unknown data. As the model capacity of classical convolutional layers is limited by a finite set of learned kernels, our approach uses a graph representation of the image and focuses on the node transitions in multiple magnifications. We propose a novel architecture for semantic segmentation of cell nuclei robust to differences in experimental configuration such as staining and variation of cell types. The architecture is comprised of a novel neuroplastic graph attention network based on residual graph attention layers and concurrent optimization of the graph structure representing multiple magnification levels of the histopathological image. The modification of graph structure, which generates the node features by projection, is as important to the architecture as the graph neural network itself. It determines the possible message flow and critical properties to optimize attention, graph structure, and node updates in a balanced magnification loss. In experimental evaluation, our framework outperforms ensembles of state-of-the-art neural networks, with a fraction of the neurons typically required, and sets new standards for the segmentation of new nuclei datasets.
• Abstract（参考訳）: 現代の病理組織学的画像解析は、生体医学研究や臨床診断に必要な定量的指標を導出するために細胞構造の区分に依存する。 最先端のディープラーニングアプローチは、主にセグメンテーションの畳み込み層を適用し、通常、特定の実験構成のために高度にカスタマイズされ、しばしば未知のデータに一般化できない。 古典的畳み込み層のモデル容量は、学習されたカーネルの有限集合によって制限されるため、我々は画像のグラフ表現を使い、複数の倍率におけるノード遷移に焦点を当てる。 染色や細胞型の変化といった実験的な構成の違いに頑健な細胞核のセグメンテーションのための新しいアーキテクチャを提案する。 組織像の多重倍率レベルを表すグラフ構造の残差グラフアテンション層と同時最適化に基づく新規な神経可塑性グラフアテンションネットワークで構成されている。 プロジェクションによってノードの特徴を生成するグラフ構造の変更は、グラフニューラルネットワーク自体と同様にアーキテクチャにとって重要である。 メッセージフローと臨界特性を判断し、バランスの取れた倍率損失における注意、グラフ構造、ノード更新を最適化する。 実験的な評価では、ニューラルネットワークの最先端のアンサンブルを、通常必要なニューロンのごく一部で上回り、新しい核データセットのセグメンテーションの新しい標準を設定した。

関連論文リスト

• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• Revealing Cortical Layers In Histological Brain Images With Self-Supervised Graph Convolutional Networks Applied To Cell-Graphs [0.20971479389679332]
  大脳皮質の2次元Nissl染色組織スライスにおける層検出のための自己監督的アプローチを導入する。 自己教師付きグラフ畳み込みネットワークは、細胞環境の形態的および構造的特性をコードする細胞埋め込みを生成する。
  論文  参考訳（メタデータ） (2023-11-26T10:33:36Z)
• Asymmetric Co-Training with Explainable Cell Graph Ensembling for Histopathological Image Classification [28.949527817202984]
  本稿では,深部グラフ畳み込みニューラルネットワークと畳み込みニューラルネットワークを組み合わせた非対称協調学習フレームワークを提案する。 セルグラフデータを扱う14層ディープグラフ畳み込みネットワークを構築した。 プライベートLUAD7Cおよびパブリック大腸癌データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2023-08-24T12:27:03Z)
• Structure Embedded Nucleus Classification for Histopathology Images [51.02953253067348]
  ほとんどのニューラルネットワークに基づく手法は、局所的な畳み込みの受容領域に影響を受けている。 本稿では,核輪郭を順にサンプリングした点列に変換する新しい多角構造特徴学習機構を提案する。 次に、核をノードとするグラフ構造に組織像を変換し、その表現に核の空間分布を埋め込むグラフニューラルネットワークを構築する。
  論文  参考訳（メタデータ） (2023-02-22T14:52:06Z)
• Hyperbolic Graph Neural Networks: A Review of Methods and Applications [55.5502008501764]
  グラフニューラルネットワークは、従来のニューラルネットワークをグラフ構造化データに一般化する。 グラフ関連学習におけるユークリッドモデルの性能は、ユークリッド幾何学の表現能力によって依然として制限されている。 近年,木のような構造を持つグラフデータ処理や,ゆるい分布の処理において,双曲空間が人気が高まっている。
  論文  参考訳（メタデータ） (2022-02-28T15:08:48Z)
• End-to-end Neuron Instance Segmentation based on Weakly Supervised Efficient UNet and Morphological Post-processing [0.0]
  組織像からNeuN染色神経細胞を自動的に検出し,分画するエンド・ツー・エンド・エンド・エンド型のフレームワークを提案する。 私たちは最先端のネットワークであるEfficientNetをU-Netのようなアーキテクチャに統合します。
  論文  参考訳（メタデータ） (2022-02-17T14:35:45Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Spatio-Temporal Inception Graph Convolutional Networks for Skeleton-Based Action Recognition [126.51241919472356]
  我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。 ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
  論文  参考訳（メタデータ） (2020-11-26T14:43:04Z)
• Towards Deeper Graph Neural Networks [63.46470695525957]
  グラフ畳み込みは近傍の集約を行い、最も重要なグラフ操作の1つである。 いくつかの最近の研究で、この性能劣化は過度に滑らかな問題に起因している。 本研究では,大きな受容領域からの情報を適応的に組み込むディープ適応グラフニューラルネットワーク(DAGNN)を提案する。
  論文  参考訳（メタデータ） (2020-07-18T01:11:14Z)

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。