論文の概要: A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole
Slide Pathological Images
- arxiv url: http://arxiv.org/abs/2205.02850v1
- Date: Thu, 5 May 2022 14:20:29 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-09 13:19:29.524586
- Title: A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole
Slide Pathological Images
- Title（参考訳）: 全スライド病理画像の迅速診断のための深層強化学習フレームワーク
- Authors: Tingting Zheng, Weixing chen, Shuqin Li, Hao Quan, Qun Bai, Tianhang
Nan, Song Zheng, Xinghua Gao, Yue Zhao and Xiaoyu Cui
- Abstract要約: 本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。
ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。
実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 4.501311544043762
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The deep neural network is a research hotspot for histopathological image
analysis, which can improve the efficiency and accuracy of diagnosis for
pathologists or be used for disease screening. The whole slide pathological
image can reach one gigapixel and contains abundant tissue feature information,
which needs to be divided into a lot of patches in the training and inference
stages. This will lead to a long convergence time and large memory consumption.
Furthermore, well-annotated data sets are also in short supply in the field of
digital pathology. Inspired by the pathologist's clinical diagnosis process, we
propose a weakly supervised deep reinforcement learning framework, which can
greatly reduce the time required for network inference. We use neural network
to construct the search model and decision model of reinforcement learning
agent respectively. The search model predicts the next action through the image
features of different magnifications in the current field of view, and the
decision model is used to return the predicted probability of the current field
of view image. In addition, an expert-guided model is constructed by
multi-instance learning, which not only provides rewards for search model, but
also guides decision model learning by the knowledge distillation method.
Experimental results show that our proposed method can achieve fast inference
and accurate prediction of whole slide images without any pixel-level
annotations.
- Abstract（参考訳）: 深層ニューラルネットワークは病理画像解析のための研究ホットスポットであり、病理医の診断の効率と正確性を改善したり、疾患スクリーニングに用いることができる。
スライドの病理画像全体は1ギガピクセルに達し、豊富な組織特徴情報が含まれており、トレーニングと推論の段階で多くのパッチに分割される必要がある。
これにより、長い収束時間と大きなメモリ消費につながる。
さらに、注釈付きデータセットもデジタル病理学の分野では不足している。
病理医の臨床診断プロセスにヒントを得て,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。
ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築した。
探索モデルは、現在の視野における異なる倍率の画像特徴を通して次の動作を予測し、決定モデルを用いて現在の視野画像の予測確率を返却する。
さらに,多インスタンス学習によって専門家誘導モデルを構築し,検索モデルに報酬を与えるだけでなく,知識蒸留法による意思決定モデル学習もガイドする。
実験の結果,提案手法はピクセルレベルのアノテーションを必要とせず,スライド画像全体の高速推定と正確な予測が可能となった。
関連論文リスト
- Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images [3.6330373579181927]
予測は、基底の真理ラベルが本質的に弱いため、独特な挑戦となる。
そこで本研究では, ネットワークを用いた組織分割アルゴリズムを用いて, 関心領域の抽出を行う新しい3部フレームワークを提案する。
AUCは再発率0.721, 再発率0.678, 治療成績予測は0.678であった。
論文 参考訳（メタデータ） (2024-05-24T06:45:36Z) - Learned Image resizing with efficient training (LRET) facilitates
improved performance of large-scale digital histopathology image
classification models [0.0]
組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。
深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。
本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2024-01-19T23:45:47Z) - Improving Classification of Retinal Fundus Image Using Flow Dynamics
Optimized Deep Learning Methods [0.0]
糖尿病網膜症(英: Diabetic Retinopathy, DR)は、糖尿病において網膜に存在する血管網を損傷する障害である。
経験豊富な臨床医は、疾患の特定に使用される画像中の腫瘍を識別する必要があるため、カラー・ファンドス画像を用いてDR診断を行うのにしばらく時間がかかる可能性がある。
論文 参考訳（メタデータ） (2023-04-29T16:11:34Z) - Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。
提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
論文 参考訳（メタデータ） (2021-11-05T05:37:10Z) - Multi-Disease Detection in Retinal Imaging based on Ensembling
Heterogeneous Deep Learning Models [0.0]
網膜イメージングのための革新的なマルチディセーゼ検出パイプラインを提案する。
当社のパイプラインには、転送学習、クラス重み付け、リアルタイム画像増強、焦点損失利用などの最先端の戦略が含まれます。
論文 参考訳（メタデータ） (2021-03-26T18:02:17Z) - Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。
共通情報と相補情報の両方を敵意で抽出することを目的としている。
特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
論文 参考訳（メタデータ） (2021-02-15T18:46:44Z) - A Multi-Stage Attentive Transfer Learning Framework for Improving
COVID-19 Diagnosis [49.3704402041314]
新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。
提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。
本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
論文 参考訳（メタデータ） (2021-01-14T01:39:19Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - 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) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Explaining Clinical Decision Support Systems in Medical Imaging using
Cycle-Consistent Activation Maximization [112.2628296775395]
ディープニューラルネットワークを用いた臨床意思決定支援は、着実に関心が高まりつつあるトピックとなっている。
臨床医は、その根底にある意思決定プロセスが不透明で理解しにくいため、この技術の採用をためらうことが多い。
そこで我々は,より小さなデータセットであっても,分類器決定の高品質な可視化を生成するCycleGANアクティベーションに基づく,新たな意思決定手法を提案する。
論文 参考訳（メタデータ） (2020-10-09T14:39:27Z)
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。