論文の概要: Breast Cancer Molecular Subtypes Prediction on Pathological Images with
Discriminative Patch Selecting and Multi-Instance Learning
- arxiv url: http://arxiv.org/abs/2203.07659v1
- Date: Tue, 15 Mar 2022 05:40:03 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-16 15:42:24.038584
- Title: Breast Cancer Molecular Subtypes Prediction on Pathological Images with
Discriminative Patch Selecting and Multi-Instance Learning
- Title（参考訳）: 識別的パッチ選択とマルチインスタンス学習による病理像の乳癌分子サブタイプ予測
- Authors: Hong Liu, Wen-Dong Xu, Zi-Hao Shang, Xiang-Dong Wang, Hai-Yan Zhou,
Ke-Wen Ma, Huan Zhou, Jia-Lin Qi, Jia-Rui Jiang, Li-Lan Tan, Hui-Min Zeng,
Hui-Juan Cai, Kuan-Song Wang and Yue-Liang Qian
- Abstract要約: 本稿では,識別的パッチ選択とマルチインスタンス学習に基づく弱教師付き学習フレームワークを提案する。
我々のモデルは、臨床におけるICCのパラフィンブロックのプリスクリーン化を支援するために、高齢者の病理学者よりも優れていた。
- 参考スコア（独自算出の注目度）: 10.297389245429173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Molecular subtypes of breast cancer are important references to personalized
clinical treatment. For cost and labor savings, only one of the patient's
paraffin blocks is usually selected for subsequent immunohistochemistry (IHC)
to obtain molecular subtypes. Inevitable sampling error is risky due to tumor
heterogeneity and could result in a delay in treatment. Molecular subtype
prediction from conventional H&E pathological whole slide images (WSI) using AI
method is useful and critical to assist pathologists pre-screen proper paraffin
block for IHC. It's a challenging task since only WSI level labels of molecular
subtypes can be obtained from IHC. Gigapixel WSIs are divided into a huge
number of patches to be computationally feasible for deep learning. While with
coarse slide-level labels, patch-based methods may suffer from abundant noise
patches, such as folds, overstained regions, or non-tumor tissues. A weakly
supervised learning framework based on discriminative patch selecting and
multi-instance learning was proposed for breast cancer molecular subtype
prediction from H&E WSIs. Firstly, co-teaching strategy was adopted to learn
molecular subtype representations and filter out noise patches. Then, a
balanced sampling strategy was used to handle the imbalance in subtypes in the
dataset. In addition, a noise patch filtering algorithm that used local outlier
factor based on cluster centers was proposed to further select discriminative
patches. Finally, a loss function integrating patch with slide constraint
information was used to finetune MIL framework on obtained discriminative
patches and further improve the performance of molecular subtyping. The
experimental results confirmed the effectiveness of the proposed method and our
models outperformed even senior pathologists, with potential to assist
pathologists to pre-screen paraffin blocks for IHC in clinic.
- Abstract（参考訳）: 乳癌の分子サブタイプは、パーソナライズされた臨床治療への重要な参照である。
コストと労力の節約のために、通常は患者のパラフィンブロックの1つのみが、その後の免疫組織化学(IHC)のために選択される。
避けられないサンプリングエラーは腫瘍の不均一性により危険であり、治療が遅れる可能性がある。
AI法を用いた従来のH&E画像からの分子サブタイプ予測は、IHCの適切なパラフィンブロックを事前にスクリーン化するために有用であり、有用である。
IHCから分子サブタイプのWSIレベルラベルしか取得できないため、これは難しい作業です。
Gigapixel WSIは、深層学習のために計算可能となる膨大な数のパッチに分割されている。
粗いスライドレベルラベルでは、パッチベースの手法は、折り畳み、過剰な領域、非腫瘍組織などの豊富なノイズパッチに悩まされる。
H&E WSIsを用いた乳癌分子種別予測には, 識別パッチ選択とマルチインスタンス学習に基づく弱教師付き学習フレームワークが提案された。
まず, 分子サブタイプ表現を学習し, ノイズパッチをフィルタリングするために, 共同学習戦略を採用した。
次に、データセットのサブタイプの不均衡に対処するためにバランスのとれたサンプリング戦略が使用された。
さらに,クラスタ中心に基づく局所的外乱係数を用いたノイズパッチフィルタリングアルゴリズムを提案し,識別パッチをさらに選択した。
最後に, 得られた識別パッチ上でMILフレームワークを微調整し, さらに分子置換性能を向上させるために, スライド制約情報の統合パッチを用いた。
実験の結果,本手法の有効性が実証され,臨床におけるihc用パラフィンブロックの事前スクリーニングを支援する可能性が示唆された。
関連論文リスト
- Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。
良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。
CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2024-03-14T12:05:25Z) - 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) - Artificial-intelligence-based molecular classification of diffuse
gliomas using rapid, label-free optical imaging [59.79875531898648]
DeepGliomaは人工知能に基づく診断スクリーニングシステムである。
ディープグリオーマは、世界保健機関が成人型びまん性グリオーマ分類を定義するために使用する分子変化を予測することができる。
論文 参考訳（メタデータ） (2023-03-23T18:50:18Z) - Efficient subtyping of ovarian cancer histopathology whole slide images
using active sampling in multiple instance learning [2.038893829552157]
マルチインスタンス学習のための識別領域アクティブサンプリング (DRAS-MIL) は、注意スコアを用いて、高度に識別された領域のサンプリングに焦点を合わせ、計算的に効率的なスライド分類法である。
DRAS-MILは,3倍のクロスバリデーションAUCの0.8679で,全スライド解析と同様の分類性能が得られることを示す。
当社のアプローチでは、GPUで評価する時間の33%を要し、CPUだけで14%しか使用していません。
論文 参考訳（メタデータ） (2023-02-17T13:28:06Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - End-to-end Learning for Image-based Detection of Molecular Alterations
in Digital Pathology [1.916179040410189]
デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。
このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。
本稿では,WSI分類のための新しい学習パイプラインを提案する。
論文 参考訳（メタデータ） (2022-06-30T20:30:33Z) - Oral cancer detection and interpretation: Deep multiple instance
learning versus conventional deep single instance learning [2.2612425542955292]
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。
論文 参考訳（メタデータ） (2022-02-03T15:04:26Z) - 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) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - A Novel Self-Learning Framework for Bladder Cancer Grading Using
Histopathological Images [1.244681179922733]
組織像から膀胱癌を診断するための自己学習の枠組みについて検討した。
組織学的パッチを病のさまざまなレベルに分類できる新しいDeep Convolutional Embedded Attention Clustering (DCEAC)を提案する。
論文 参考訳（メタデータ） (2021-06-25T11:04:04Z) - Multi-resolution Super Learner for Voxel-wise Classification of Prostate
Cancer Using Multi-parametric MRI [0.0]
本稿では,データのユニークな構造を考慮し,ボクセルワイドPCa分類を改善する機械学習手法を提案する。
本研究は,PCaの経時的臨床的意義とともに,2値PCa状態の詳細な分類アルゴリズムについて述べる。
論文 参考訳（メタデータ） (2020-07-02T00:14:55Z)
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。