論文の概要: Hospital-Agnostic Image Representation Learning in Digital Pathology
- arxiv url: http://arxiv.org/abs/2204.02404v1
- Date: Tue, 5 Apr 2022 11:45:46 GMT
- ステータス: 処理完了
- システム内更新日: 2022-04-07 13:01:00.827063
- Title: Hospital-Agnostic Image Representation Learning in Digital Pathology
- Title(参考訳): デジタル病理における病院別画像表現学習
- Authors: Milad Sikaroudi, Shahryar Rahnamayan, H.R. Tizhoosh
- Abstract要約: デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。
各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。
本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
- 参考スコア(独自算出の注目度): 0.7412445894287709
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Whole Slide Images (WSIs) in digital pathology are used to diagnose cancer
subtypes. The difference in procedures to acquire WSIs at various trial sites
gives rise to variability in the histopathology images, thus making consistent
diagnosis challenging. These differences may stem from variability in image
acquisition through multi-vendor scanners, variable acquisition parameters, and
differences in staining procedure; as well, patient demographics may bias the
glass slide batches before image acquisition. These variabilities are assumed
to cause a domain shift in the images of different hospitals. It is crucial to
overcome this domain shift because an ideal machine-learning model must be able
to work on the diverse sources of images, independent of the acquisition
center. A domain generalization technique is leveraged in this study to improve
the generalization capability of a Deep Neural Network (DNN), to an unseen
histopathology image set (i.e., from an unseen hospital/trial site) in the
presence of domain shift. According to experimental results, the conventional
supervised-learning regime generalizes poorly to data collected from different
hospitals. However, the proposed hospital-agnostic learning can improve the
generalization considering the low-dimensional latent space representation
visualization, and classification accuracy results.
- Abstract(参考訳): デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。
各種試験場でのWSIの取得手順の違いは,病理像の多様性を生じさせ,一貫した診断を困難にしている。
これらの違いは、マルチベンダースキャナーによる画像取得のばらつき、可変取得パラメータ、染色手順の違いに起因する可能性がある。
これらの変動は、異なる病院の画像にドメインシフトを引き起こすと仮定される。
理想的な機械学習モデルは、取得センタとは独立して、さまざまな画像ソースで動作可能である必要があるため、このドメインシフトを克服することが不可欠である。
本研究では,DNN(Deep Neural Network, ディープニューラルネットワーク)の一般化能力を改善するために, ドメインシフトの有無に応じて, 未確認の病理像セット(すなわち, 病院や診療所から)にドメイン一般化技術を適用した。
実験結果によると、従来の教師あり学習体制は、異なる病院から収集したデータに乏しく一般化している。
しかし,低次元潜在空間表現の可視化と分類精度を考慮し,病院非依存の学習により一般化が向上する。
関連論文リスト
- Disease Classification and Impact of Pretrained Deep Convolution Neural Networks on Diverse Medical Imaging Datasets across Imaging Modalities [0.0]
本稿では,種々の医用画像データセット間での伝達学習を伴う,事前訓練された深部畳み込みニューラルネットワークの使用の複雑さについて検討する。
固定特徴抽出器として事前訓練されたモデルを使用することで,データセットに関係なく性能が低下することを示す。
また、より深く複雑なアーキテクチャが必ずしも最高のパフォーマンスをもたらすとは限らないことも判明した。
論文 参考訳(メタデータ) (2024-08-30T04:51:19Z) - Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳(メタデータ) (2024-03-19T09:28:19Z) - ALFA -- Leveraging All Levels of Feature Abstraction for Enhancing the
Generalization of Histopathology Image Classification Across Unseen Hospitals [2.8443044931144845]
本研究では, 画像分類の一般化性の向上を目標とし, 機能抽象化のレベルをすべて活用する包括的手法を提案する。
本手法では, テキストタスクとして機能する病理組織学シナリオにおいて, 共通の分布変化を伴う拡張ベースの自己スーパービジョンを取り入れた。
論文 参考訳(メタデータ) (2023-08-07T22:39:44Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳(メタデータ) (2023-06-23T03:09:03Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - Multi-domain stain normalization for digital pathology: A
cycle-consistent adversarial network for whole slide images [0.0]
本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。
CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
論文 参考訳(メタデータ) (2023-01-23T13:34:49Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での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) (2022-11-14T18:16:36Z) - Shuffle Instances-based Vision Transformer for Pancreatic Cancer ROSE
Image Classification [5.960465634030524]
ラピッドオンサイト評価(ROSE)技術は膵癌の診断を加速させる。
がんのパターンはサンプルによって大きく異なり、コンピュータ診断タスクは非常に難しい。
本稿では,シャッフルインスタンスをベースとしたビジョントランス (SI-ViT) アプローチを提案する。
論文 参考訳(メタデータ) (2022-08-14T11:37:04Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳(メタデータ) (2020-10-14T16:34:21Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳(メタデータ) (2020-10-11T22:01:37Z)
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。