論文の概要: Oral cancer detection and interpretation: Deep multiple instance
learning versus conventional deep single instance learning
- arxiv url: http://arxiv.org/abs/2202.01783v1
- Date: Thu, 3 Feb 2022 15:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-07 15:08:59.175032
- Title: Oral cancer detection and interpretation: Deep multiple instance
learning versus conventional deep single instance learning
- Title（参考訳）: 口腔癌の検出と解釈: 深層多段階学習と従来の深層単段階学習
- Authors: Nadezhda Koriakina, Nata\v{s}a Sladoje, Vladimir Ba\v{s}i\'c and
Joakim Lindblad
- Abstract要約: 口腔癌(OC)診断の現在の医療基準は、口腔から採取した組織標本の組織学的検査である。
このアプローチを臨床ルーチンに導入するには、専門家の欠如や労働集約的な作業といった課題が伴う。
私たちは、患者1人あたりのラベルだけで癌を確実に検出できるAIベースの方法に興味を持っています。
- 参考スコア（独自算出の注目度）: 2.2612425542955292
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The current medical standard for setting an oral cancer (OC) diagnosis is
histological examination of a tissue sample from the oral cavity. This process
is time consuming and more invasive than an alternative approach of acquiring a
brush sample followed by cytological analysis. Skilled cytotechnologists are
able to detect changes due to malignancy, however, to introduce this approach
into clinical routine is associated with challenges such as a lack of experts
and labour-intensive work. To design a trustworthy OC detection system that
would assist cytotechnologists, we are interested in AI-based methods that
reliably can detect cancer given only per-patient labels (minimizing annotation
bias), and also provide information on which cells are most relevant for the
diagnosis (enabling supervision and understanding). We, therefore, perform a
comparison of a conventional single instance learning (SIL) approach and a
modern multiple instance learning (MIL) method suitable for OC detection and
interpretation, utilizing three different neural network architectures. To
facilitate systematic evaluation of the considered approaches, we introduce a
synthetic PAP-QMNIST dataset, that serves as a model of OC data, while offering
access to per-instance ground truth. Our study indicates that on PAP-QMNIST,
the SIL performs better, on average, than the MIL approach. Performance at the
bag level on real-world cytological data is similar for both methods, yet the
single instance approach performs better on average. Visual examination by
cytotechnologist indicates that the methods manage to identify cells which
deviate from normality, including malignant cells as well as those suspicious
for dysplasia. We share the code as open source at
https://github.com/MIDA-group/OralCancerMILvsSIL
- Abstract（参考訳）: 口腔癌(OC)を診断するための現在の医療基準は、口腔からの組織サンプルの組織学的検査である。
このプロセスは、ブラシサンプルを取得して細胞学的解析を行う方法よりも時間がかかり、より侵襲的である。
熟練細胞技術者は悪性度による変化を検出することができるが、このアプローチを臨床ルーチンに導入することは、専門家の欠如や労働集約的な作業といった課題と関連している。
細胞工学者を支援する信頼性の高いoc検出システムを設計するために,我々は,患者毎のラベルのみを与えられた癌を確実に検出する(アノテーションバイアスを最小化する)aiベースの手法に関心を持ち,診断に最も関係のある細胞(監督と理解)に関する情報を提供する。
そこで本研究では,従来の単一インスタンス学習(sil)手法と,oc検出と解釈に適した現代マルチインスタンス学習(mil)法を比較し,3つの異なるニューラルネットワークアーキテクチャを用いた。
提案手法の体系的評価を容易にするため,OCデータのモデルとして機能する合成PAP-QMNISTデータセットを導入した。
本研究は,pap-qmnistにおいて,silは平均的にミルアプローチよりも優れた性能を示す。
実世界の細胞学的データに対するバッグレベルのパフォーマンスはどちらの方法にも似ていますが、単一インスタンスのアプローチは平均よりも優れています。
細胞技術者による視覚検査は、この方法が悪性細胞を含む正常性から逸脱する細胞や、異形成を疑う細胞を識別することを示している。
ソースコードはhttps://github.com/MIDA-group/OralCancerMILvsSILで公開しています。
関連論文リスト
- Cluster-based human-in-the-loop strategy for improving machine learning-based circulating tumor cell detection in liquid biopsy [0.0]
本研究では,機械学習によるCTC検出を改善するためのHuman-in-the-loop(HiL)戦略を提案する。
我々は,自己教師型ディープラーニングと従来のMLに基づく分類器を組み合わせて,人間専門家による新たな未ラベルトレーニングサンプルの反復的サンプリングとラベル付けを提案する。
転移性乳癌患者の液体生検データに対して,本手法の利点を実証した。
論文 参考訳（メタデータ） (2024-11-25T12:26:48Z) - Let it shine: Autofluorescence of Papanicolaou-stain improves AI-based cytological oral cancer detection [3.1850395068284785]
早期に検出された口腔癌は治療可能であるが、後期に致命的になることが多い。
コンピュータ支援法は、費用対効果と正確な細胞学的解析に不可欠である。
本研究は,マルチモーダルイメージングとディープフュージョンを用いた,AIによる口腔癌検出の改善を目的とする。
論文 参考訳（メタデータ） (2024-07-02T01:05:35Z) - Interpretable pap smear cell representation for cervical cancer
screening [3.8656297418166305]
変分オートエンコーダを用いた1クラス分類に基づいて, 乳頭スミア画像の深部頸部細胞表現を学習する手法を提案する。
我々のモデルは、深層モデルの付加的な訓練を必要とせずに、異常を識別することができる。
論文 参考訳（メタデータ） (2023-11-17T01:29:16Z) - 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) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳（メタデータ） (2022-01-09T04:35:55Z) - Unsupervised deep learning techniques for powdery mildew recognition
based on multispectral imaging [63.62764375279861]
本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。
マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。
本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
論文 参考訳（メタデータ） (2021-12-20T13:29:13Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for
Cervical Cytology Image Classification [1.6986898305640261]
頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。
我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
論文 参考訳（メタデータ） (2021-08-21T08:41:41Z) - Unsupervised anomaly detection in digital pathology using GANs [4.318555434063274]
本稿では,GANを用いた病理組織データにおける異常検出のための新しい教師なし学習手法を提案する。
医用画像に用いられている既存のGAN法と比較して,本手法は病理データの性能を大幅に改善する。
論文 参考訳（メタデータ） (2021-03-16T10:10:12Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。