論文の概要: DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning
for Histopathology Whole Slide Image Classification
- arxiv url: http://arxiv.org/abs/2203.12081v1
- Date: Tue, 22 Mar 2022 22:33:42 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-24 13:30:42.486964
- Title: DTFD-MIL: Double-Tier Feature Distillation Multiple Instance Learning
for Histopathology Whole Slide Image Classification
- Title（参考訳）: DTFD-MIL:スライディング画像分類のためのダブルタイア特徴蒸留マルチインスタンス学習
- Authors: Hongrun Zhang, Yanda Meng, Yitian Zhao, Yihong Qiao, Xiaoyun Yang,
Sarah E. Coupland, Yalin Zheng
- Abstract要約: マルチプル・インスタンス・ラーニング(MIL)は、スライド画像(WSI)の病理組織学的分類において、ますます使われている。
擬似バッグの概念を導入することにより,バッグの数を事実上拡大することを提案する。
我々はまた、注目に基づくMILの枠組みに基づくインスタンス確率の導出にも貢献し、この導出を利用して提案したフレームワークの構築と分析に役立てる。
- 参考スコア（独自算出の注目度）: 18.11776334311096
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multiple instance learning (MIL) has been increasingly used in the
classification of histopathology whole slide images (WSIs). However, MIL
approaches for this specific classification problem still face unique
challenges, particularly those related to small sample cohorts. In these, there
are limited number of WSI slides (bags), while the resolution of a single WSI
is huge, which leads to a large number of patches (instances) cropped from this
slide. To address this issue, we propose to virtually enlarge the number of
bags by introducing the concept of pseudo-bags, on which a double-tier MIL
framework is built to effectively use the intrinsic features. Besides, we also
contribute to deriving the instance probability under the framework of
attention-based MIL, and utilize the derivation to help construct and analyze
the proposed framework. The proposed method outperforms other latest methods on
the CAMELYON-16 by substantially large margins, and is also better in
performance on the TCGA lung cancer dataset. The proposed framework is ready to
be extended for wider MIL applications. The code is available at:
https://github.com/hrzhang1123/DTFD-MIL
- Abstract（参考訳）: 複数インスタンス学習 (mil) は病理組織学全体のスライド画像(wsis)の分類に用いられてきた。
しかし、この特定の分類問題に対する MIL のアプローチは、特に小さなサンプルコホートに関連する特別な課題に直面している。
これらの中には、限られた数のWSIスライド(バグ)があるが、単一のWSIの解像度は巨大であり、このスライドから取得された多数のパッチ(インスタンス)につながる。
この問題に対処するため,我々は疑似バッグの概念を導入することでバッグ数を事実上拡大し,その内在的な機能を効果的に活用するための2層ミルフレームワークを構築することを提案する。
さらに、注意に基づくMILの枠組みに基づくインスタンス確率の導出にも貢献し、この導出を利用して提案したフレームワークの構築と分析に役立てる。
提案手法はCAMELYON-16の他の最新の手法よりもかなり大きなマージンで優れており,TCGA肺がんデータセットの性能も優れている。
提案されたフレームワークは、より広範なMILアプリケーションのために拡張される準備ができている。
コードは、https://github.com/hrzhang1123/DTFD-MILで入手できる。
関連論文リスト
- Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。
また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
論文 参考訳（メタデータ） (2024-08-18T12:15:22Z) - MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
本稿では,WSI分析のためのフレームワークMamMILを提案する。
私たちは各WSIを非指向グラフとして表現します。
マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
論文 参考訳（メタデータ） (2024-03-08T09:02:13Z) - Multiple Instance Learning Framework with Masked Hard Instance Mining
for Whole Slide Image Classification [11.996318969699296]
マスケードハードインスタンスマイニング(MHIM-MIL)について紹介する。
MHIM-MILは、潜在的なハードインスタンスを探索するために一貫性のある制約を持つシームズ構造(Teacher-Student)を使用する。
CAMELYON-16およびTCGA肺がんデータセットの実験結果は、MHIM-MILがパフォーマンスとトレーニングコストの点で他の最新の方法よりも優れていることを示している。
論文 参考訳（メタデータ） (2023-07-28T01:40:04Z) - Active Learning Enhances Classification of Histopathology Whole Slide
Images with Attention-based Multiple Instance Learning [48.02011627390706]
我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。
新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。
将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
論文 参考訳（メタデータ） (2023-03-02T15:18:58Z) - Attention2Minority: A salient instance inference-based multiple instance
learning for classifying small lesions in whole slide images [0.0]
本稿では、WSI分類のための弱教師付きMILモデルであるSiliMIL(SiliMIL)を提案する。
実験の結果,SiiMILは腫瘍のインスタンスを正確に同定でき,WSIの1%以下しか検出できないことが示唆された。
論文 参考訳（メタデータ） (2023-01-18T18:42:59Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。
本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。
位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文 参考訳（メタデータ） (2022-06-22T07:00:39Z) - Differentiable Zooming for Multiple Instance Learning on Whole-Slide
Images [4.928363812223965]
本稿では,エンドツーエンドでマルチレベルズームを行う方法であるZoomMILを提案する。
提案手法は2つの大規模データセット上でWSI分類における最先端のMIL法より優れている。
論文 参考訳（メタデータ） (2022-04-26T17:20:50Z) - CIL: Contrastive Instance Learning Framework for Distantly Supervised
Relation Extraction [52.94486705393062]
我々は、典型的なマルチインスタンス学習(MIL)フレームワークを超えて、新しいコントラッシブ・インスタンス学習(CIL)フレームワークを提案する。
具体的には、初期MILをリレーショナルトリプルエンコーダと各インスタンスに対する負のペアに対する制約正のペアとみなす。
提案手法の有効性を実験的に検証し, 提案手法をNYT10, GDS, KBPで比較検討した。
論文 参考訳（メタデータ） (2021-06-21T04:51:59Z) - Dual-stream Multiple Instance Learning Network for Whole Slide Image
Classification with Self-supervised Contrastive Learning [16.84711797934138]
スライド画像全体分類(WSI)の課題に対処する。
WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。
局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
論文 参考訳（メタデータ） (2020-11-17T20:51:15Z) - Multi-Scale Positive Sample Refinement for Few-Shot Object Detection [61.60255654558682]
Few-shot Object Detection (FSOD) は、ディテクターがトレーニングインスタンスをほとんど持たない未確認のクラスに適応するのに役立つ。
FSODにおけるオブジェクトスケールを拡張化するためのMPSR(Multi-scale Positive Sample Refinement)アプローチを提案する。
MPSRは、オブジェクトピラミッドとして多スケールの正のサンプルを生成し、様々なスケールで予測を洗練させる。
論文 参考訳（メタデータ） (2020-07-18T09:48:29Z)
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。