Fugu-MT 論文翻訳(概要): Mutual Contrastive Learning to Disentangle Whole Slide Image Representations for Glioma Grading

論文の概要: Mutual Contrastive Learning to Disentangle Whole Slide Image Representations for Glioma Grading

arxiv url: http://arxiv.org/abs/2203.04013v1
Date: Tue, 8 Mar 2022 11:08:44 GMT
ステータス: 処理完了
システム内更新日: 2022-03-09 15:46:37.257568
Title: Mutual Contrastive Learning to Disentangle Whole Slide Image Representations for Glioma Grading
Title（参考訳）: グリオーマ評価のための相互コントラスト学習による全スライド画像表現の分離
Authors: Lipei Zhang, Yiran Wei, Ying Fu, Stephen Price, Carola-Bibiane Sch\"onlieb and Chao Li
Abstract要約: 全スライド画像(WSI)は,腫瘍の組織学的悪性度評価とグレーディングに有用な表現型情報を提供する。最も一般的に使用されるWSIは、ホルマリン固定パラフィン埋め込み(FFPE)と凍結セクションに由来する。そこで本研究では,FFPEと凍結部を統合し,グリオーマグレーディングのためのモダリティ表現を歪曲する相互コントラスト学習手法を提案する。
参考スコア（独自算出の注目度）: 10.65788461379405
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Whole slide images (WSI) provide valuable phenotypic information for histological assessment and malignancy grading of tumors. The WSI-based computational pathology promises to provide rapid diagnostic support and facilitate digital health. The most commonly used WSI are derived from formalin-fixed paraffin-embedded (FFPE) and frozen sections. Currently, the majority of automatic tumor grading models are developed based on FFPE sections, which could be affected by the artifacts introduced by tissue processing. Here we propose a mutual contrastive learning scheme to integrate FFPE and frozen sections and disentangle cross-modality representations for glioma grading. We first design a mutual learning scheme to jointly optimize the model training based on FFPE and frozen sections. Further, we develop a multi-modality domain alignment mechanism to ensure semantic consistency in the backbone model training. We finally design a sphere normalized temperature-scaled cross-entropy loss (NT-Xent), which could promote cross-modality representation disentangling of FFPE and frozen sections. Our experiments show that the proposed scheme achieves better performance than the model trained based on each single modality or mixed modalities. The sphere NT-Xent loss outperforms other typical metrics loss functions.
Abstract（参考訳）: whole slide images (wsi)は腫瘍の組織学的評価と悪性度評価に有用な表現型情報を提供する。 WSIベースの計算病理学は、迅速な診断支援とデジタルヘルスの促進を約束している。最も一般的に使われるwsiは、formalin-fixed paraffin-embedded (ffpe) と frozen section に由来する。現在, 腫瘍自動評価モデルの大部分はffpe切片に基づいて開発されており, 組織処理によるアーチファクトの影響を受ける可能性がある。本稿では,ffpeと凍結セクションを統合した相互コントラスト学習手法と,グリオーマ評価のための異角形クロスモダリティ表現を提案する。まず、FFPEと凍結区間に基づくモデルトレーニングを協調的に最適化する相互学習方式を設計する。さらに,バックボーンモデルトレーニングにおいて意味的一貫性を保証するマルチモダリティドメインアライメント機構を開発した。最終的に球状化温度スケールのクロスエントロピー損失 (NT-Xent) を設計し, FFPE と凍結断面積の相互共役表現を促進できることを示した。実験の結果,提案手法は,各単一モードや混合モードに基づいて学習したモデルよりも優れた性能が得られることがわかった。球NT-Xent損失は他の典型的なメトリクス損失関数よりも優れる。

関連論文リスト

Face Forgery Detection with Elaborate Backbone [50.914676786151574]
Face Forgery Detectionは、デジタル顔が本物か偽物かを決定することを目的としている。以前のFFDモデルは、偽造の手がかりを表現および抽出するために既存のバックボーンを直接使用していた。本稿では,実顔データセットを用いた自己教師型学習でVTネットワークを活用することで,バックボーンの事前トレーニングを提案する。次に、多様な偽の手がかりを抽出するバックボーンの能力を強化するために、競争力のあるバックボーンの微調整フレームワークを構築します。
論文参考訳（メタデータ） (2024-09-25T13:57:16Z)
MFCLIP: Multi-modal Fine-grained CLIP for Generalizable Diffusion Face Forgery Detection [64.29452783056253]
フォトリアリスティック・フェイスジェネレーション手法の急速な発展は、社会やアカデミックにおいて大きな関心を集めている。既存のアプローチは主に画像モダリティを用いて顔の偽造パターンをキャプチャするが、きめ細かいノイズやテキストのような他のモダリティは完全には探索されていない。そこで本研究では,画像ノイズの多点にわたる包括的かつきめ細かなフォージェリートレースをマイニングする,MFCLIP(MF-modal Fine-fine-fine-fine-fine-fine CLIP)モデルを提案する。
論文参考訳（メタデータ） (2024-09-15T13:08:59Z)
PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
論文参考訳（メタデータ） (2024-09-08T15:02:25Z)
Leveraging Pre-trained Models for FF-to-FFPE Histopathological Image Translation [6.108290302640328]
Hematoxylin and Eosin (H&E) slides in histopathology is Formalin-Fixed Paraffin-Embedded (FFPE) and Fresh Frozen (FF) FFPEスライドは高品質な病理像を提供するが、労働集約的な取得プロセスを必要とする。本研究の目的は,FFPE画像からFFPE画像へ変換することで,診断目的の画像品質を向上させることである。 TCGA-NSCLCデータセットを用いたFF-to-FFPE翻訳実験により,提案手法が既存の手法より優れていることを示す。
論文参考訳（メタデータ） (2024-06-26T04:12:34Z)
A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文参考訳（メタデータ） (2024-02-09T05:05:28Z)
Forward-Forward Contrastive Learning [4.465144120325802]
医用画像分類のための新しい事前学習手法として,前向きコントラスト学習(FFCL)を提案する。 FFCLは、肺炎分類タスクにおける既存の事前訓練モデルよりも、ImageNet Pretrained ResNet-18よりも3.69%の精度で性能が向上している。
論文参考訳（メタデータ） (2023-05-04T15:29:06Z)
Implicit Anatomical Rendering for Medical Image Segmentation with Stochastic Experts [11.007092387379078]
医用画像セグメンテーションの学習を支援するために,解剖学的レベルで設計された汎用的な暗黙的ニューラルネットワークレンダリングフレームワークであるMORSEを提案する。医用画像のセグメンテーションをエンドツーエンドのレンダリング問題として定式化する。実験の結果,MORSEは異なる医療セグメントのバックボーンでうまく機能することが示された。
論文参考訳（メタデータ） (2023-04-06T16:44:03Z)
Diff-UNet: A Diffusion Embedded Network for Volumetric Segmentation [41.608617301275935]
医療用ボリュームセグメンテーションのための新しいエンドツーエンドフレームワークDiff-UNetを提案する。提案手法では,拡散モデルを標準U字型アーキテクチャに統合し,入力ボリュームから意味情報を効率的に抽出する。われわれは,MRI,肝腫瘍,多臓器CTの3種類の脳腫瘍について検討した。
論文参考訳（メタデータ） (2023-03-18T04:06:18Z)
Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文参考訳（メタデータ） (2022-12-01T07:32:56Z)
About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
論文参考訳（メタデータ） (2021-05-28T21:34:04Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)

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。