論文の概要: Evaluation of Multi-Scale Multiple Instance Learning to Improve Thyroid Cancer Classification
- arxiv url: http://arxiv.org/abs/2204.10942v2
- Date: Mon, 02 Dec 2024 14:12:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-12-03 16:55:35.632193
- Title: Evaluation of Multi-Scale Multiple Instance Learning to Improve Thyroid Cancer Classification
- Title（参考訳）: 甲状腺癌分類改善のためのマルチスケールマルチインスタンス学習の評価
- Authors: Maximilian E. Tschuchnig, Philipp Grubmüller, Lea M. Stangassinger, Christina Kreutzer, Sébastien Couillard-Després, Gertie J. Oostingh, Anton Hittmair, Michael Gadermayr,
- Abstract要約: 甲状腺癌は女性で5番目に多い悪性腫瘍である。
癌サブタイプの分化は治療および治療において重要であり、癌型のコンピュータ支援による自動分化は重要である。
バッチベースの複数のインスタンス学習アプローチと、bag-of-wordsのような集約を組み合わせたアプローチは、一般的なアプローチである。
この研究の貢献は、3つの異なるパッチ解決の特徴ベクトルを生成し、組み合わせることで、パッチベースの最先端メソッドを拡張することである。
- 参考スコア（独自算出の注目度）: 0.16060719742433224
- License:
- Abstract: Thyroid cancer is currently the fifth most common malignancy diagnosed in women. Since differentiation of cancer sub-types is important for treatment and current, manual methods are time consuming and subjective, automatic computer-aided differentiation of cancer types is crucial. Manual differentiation of thyroid cancer is based on tissue sections, analysed by pathologists using histological features. Due to the enormous size of gigapixel whole slide images, holistic classification using deep learning methods is not feasible. Patch based multiple instance learning approaches, combined with aggregations such as bag-of-words, is a common approach. This work's contribution is to extend a patch based state-of-the-art method by generating and combining feature vectors of three different patch resolutions and analysing three distinct ways of combining them. The results showed improvements in one of the three multi-scale approaches, while the others led to decreased scores. This provides motivation for analysis and discussion of the individual approaches.
- Abstract（参考訳）: 甲状腺癌は現在、女性で5番目に多い悪性腫瘍である。
がんサブタイプの分化は治療と電流にとって重要であるため、手動の手法は時間と主観的であり、がんのコンピュータ支援による自動分化が重要である。
甲状腺癌の手技による分化は,病理組織学的特徴を用いて病理組織学的に解析される。
スライド画像全体の巨大化のため,ディープラーニングを用いた全体分類は不可能である。
バッチベースの複数のインスタンス学習アプローチと、bag-of-wordsのような集約を組み合わせたアプローチは、一般的なアプローチである。
この研究の貢献は、3つの異なるパッチ解決の特徴ベクトルを生成し、組み合わせる3つの異なる方法を分析することで、パッチベースの最先端メソッドを拡張することである。
その結果,3つのマルチスケールアプローチのうちの1つが改善し,他の1つはスコアが低下した。
これは、個々のアプローチの分析と議論のためのモチベーションを提供する。
関連論文リスト
- DIOR-ViT: Differential Ordinal Learning Vision Transformer for Cancer Classification in Pathology Images [4.2832657904981435]
本稿では,2組のサンプル間の分類クラスラベルの差分を定義・学習する微分順序学習問題を提案する。
差分順序学習の導入により,がんの診断精度と信頼性が向上することが実証された。
提案手法は,クラスラベル間の順序関係が関係する他の疾患や問題にも適用すべきである。
論文 参考訳（メタデータ） (2024-07-10T12:42:27Z) - A transductive few-shot learning approach for classification of digital
histopathological slides from liver cancer [0.0]
本論文は,2次元病理組織パッチの分類法として,少数ショット学習を用いた新しいアプローチを提案する。
病理組織学スライドにスライディングウインドウ手法を適用することにより,トランスダクティブラーニングの実践的メリットを解説する。
論文 参考訳（メタデータ） (2023-11-29T15:44:00Z) - 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) - A Pathologist-Informed Workflow for Classification of Prostate Glands in
Histopathology [62.997667081978825]
病理学者は、ガラススライド上の針生検の組織を調べて前立腺がんを診断し、診断する。
がんの重症度と転移リスクは、前立腺の組織と形態に基づくスコアであるGleason gradeによって決定される。
本稿では,病理学者のtextitmodus operandi に従って,個々の腺のマルチスケールパッチを分離・分類する自動ワークフローを提案する。
論文 参考訳（メタデータ） (2022-09-27T14:08:19Z) - Breast Cancer Classification Based on Histopathological Images Using a
Deep Learning Capsule Network [0.0]
本研究は, 病理組織像(HIs)を用いて, 異なる種類の乳癌を分類することを目的とする。
本稿では、Res2Netブロックと4つの畳み込み層を用いて、マルチスケールの特徴を抽出する拡張カプセルネットワークを提案する。
結果として、新しいメソッドは、可能な限り最高の機能を自動で学習するため、古いメソッドよりも優れています。
論文 参考訳（メタデータ） (2022-08-01T03:45:36Z) - Metastatic Cancer Outcome Prediction with Injective Multiple Instance
Pooling [1.0965065178451103]
我々は2つの公開データセットを処理し、転移性癌の予後予測を研究するために合計341人のベンチマークコホートを設定した。
結果予測に適した2つのインジェクティブ複数インスタンスプーリング関数を提案する。
本研究は, 肺がん非小細胞癌における複数症例の学習が, 頭頸部CT結果予測ベンチマークの課題において, 最先端のパフォーマンスを達成できることを示唆するものである。
論文 参考訳（メタデータ） (2022-03-09T16:58:03Z) - EMT-NET: Efficient multitask network for computer-aided diagnosis of
breast cancer [58.720142291102135]
乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。
腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。
腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
論文 参考訳（メタデータ） (2022-01-13T05:24:40Z) - Triplet Contrastive Learning for Brain Tumor Classification [99.07846518148494]
本稿では,脳腫瘍の深層埋め込みを直接学習する手法を提案する。
本手法は,27種類の腫瘍群からなる広範囲な脳腫瘍データセットを用いて評価し,そのうち13種は稀である。
論文 参考訳（メタデータ） (2021-08-08T11:26:34Z) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳（メタデータ） (2020-04-10T13:12:47Z) - Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。
提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
論文 参考訳（メタデータ） (2020-02-03T22:25:01Z)
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。