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
- Disruptive Autoencoders: Leveraging Low-level features for 3D Medical
Image Pre-training [51.16994853817024]
本研究は、3Dラジオグラフィ画像のための効果的な事前学習フレームワークの設計に焦点をあてる。
ローカルマスキングと低レベルの摂動の組み合わせによって生成された破壊から、オリジナルのイメージを再構築しようとする事前トレーニングフレームワークであるDisruptive Autoencodersを紹介する。
提案する事前トレーニングフレームワークは、複数のダウンストリームタスクでテストされ、最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2023-07-31T17:59:42Z) - 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) - Bridging Synthetic and Real Images: a Transferable and Multiple
Consistency aided Fundus Image Enhancement Framework [61.74188977009786]
画像強調とドメイン適応を同時に行うために,エンドツーエンドの教師支援フレームワークを提案する。
また,教師ネットワークと学生ネットワークのバックボーンとして,マルチステージ型マルチアテンション・ガイド・エンハンスメント・ネットワーク(MAGE-Net)を提案する。
論文 参考訳(メタデータ) (2023-02-23T06:16:15Z) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳(メタデータ) (2022-12-26T13:56:12Z) - 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) - Spatiotemporal Feature Learning Based on Two-Step LSTM and Transformer
for CT Scans [2.3682456328966115]
我々は、新型コロナウイルスの症状分類を徹底的に行うための、新しい、効果的、2段階のアプローチを提案する。
まず,従来のバックボーンネットワークにより,CTスキャンにおける各スライスの意味的特徴埋め込みを抽出する。
そこで我々は,時間的特徴学習を扱うために,LSTMとTransformerベースのサブネットワークを提案する。
論文 参考訳(メタデータ) (2022-07-04T16:59:05Z) - SpatioTemporal Focus for Skeleton-based Action Recognition [66.8571926307011]
グラフ畳み込みネットワーク(GCN)は骨格に基づく行動認識において広く採用されている。
近年提案されている骨格に基づく行動認識法の性能は以下の要因によって制限されていると論じる。
近年の注目機構に着想を得て,アクション関連関係情報を取得するためのマルチグラインド・コンテキスト集中モジュール MCF を提案する。
論文 参考訳(メタデータ) (2022-03-31T02:45:24Z) - 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。