論文の概要: Transformer based multiple instance learning for weakly supervised
histopathology image segmentation
- arxiv url: http://arxiv.org/abs/2205.08878v1
- Date: Wed, 18 May 2022 12:04:26 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-19 13:31:20.840689
- Title: Transformer based multiple instance learning for weakly supervised
histopathology image segmentation
- Title（参考訳）: 弱教師付き病理組織像分割のためのトランスフォーマティブ・マルチインスタンス学習
- Authors: Ziniu Qian, Kailu Li, Maode Lai, Eric I-Chao Chang, Bingzheng Wei,
Yubo Fan, Yan Xu
- Abstract要約: 病理組織像における画素レベルのセグメンテーションの弱教師付き手法を提案する。
Transformerはインスタンス間の関係を確立し、インスタンスがMIL内で互いに独立しているという欠点を解決する。
弱い教師付き手法におけるアノテーションの制限を克服するために、深い監督が導入されている。
- 参考スコア（独自算出の注目度）: 7.449646821160063
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Hispathological image segmentation algorithms play a critical role in
computer aided diagnosis technology. The development of weakly supervised
segmentation algorithm alleviates the problem of medical image annotation that
it is time-consuming and labor-intensive. As a subset of weakly supervised
learning, Multiple Instance Learning (MIL) has been proven to be effective in
segmentation. However, there is a lack of related information between instances
in MIL, which limits the further improvement of segmentation performance. In
this paper, we propose a novel weakly supervised method for pixel-level
segmentation in histopathology images, which introduces Transformer into the
MIL framework to capture global or long-range dependencies. The multi-head
self-attention in the Transformer establishes the relationship between
instances, which solves the shortcoming that instances are independent of each
other in MIL. In addition, deep supervision is introduced to overcome the
limitation of annotations in weakly supervised methods and make the better
utilization of hierarchical information. The state-of-the-art results on the
colon cancer dataset demonstrate the superiority of the proposed method
compared with other weakly supervised methods. It is worth believing that there
is a potential of our approach for various applications in medical images.
- Abstract（参考訳）: 病理画像分割アルゴリズムはコンピュータ支援診断技術において重要な役割を担っている。
弱教師付きセグメンテーションアルゴリズムの開発は、医用画像アノテーションが時間がかかり、労働集約的であるという問題を緩和する。
弱教師付き学習のサブセットとして、多重インスタンス学習(MIL)がセグメンテーションに有効であることが証明されている。
しかし、MILのインスタンス間では関連する情報が不足しており、セグメンテーション性能のさらなる改善が制限されている。
本稿では,milフレームワークにトランスフォーマーを導入してグローバルあるいは長距離の依存関係をキャプチャする,組織病理画像における画素レベルセグメンテーションの弱い教師付き手法を提案する。
Transformerのマルチヘッド自己アテンションはインスタンス間の関係を確立し、インスタンスがMIL内で互いに独立しているという欠点を解決する。
また、弱い教師付きメソッドにおけるアノテーションの制限を克服し、階層的情報の利用性を高めるために、深い監督が導入された。
大腸癌データセットにおける最先端の結果は,他の弱教師付き手法と比較して,提案手法の優位性を示した。
医療画像における様々な応用へのアプローチの可能性を信じるべきである。
関連論文リスト
- Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels [8.934328206473456]
病理組織像分割のための新しい蒸留フレームワークを提案する。
この枠組みは, 学生が教師の総合的な成果から直接学習できる, 反復的融合知識蒸留戦略を導入している。
論文 参考訳（メタデータ） (2024-07-14T17:15:47Z) - Improving Vision Anomaly Detection with the Guidance of Language
Modality [64.53005837237754]
本稿では,マルチモーダルの観点から視覚モダリティの課題に取り組む。
本稿では,冗長な情報問題とスパース空間問題に対処するために,クロスモーダルガイダンス(CMG)を提案する。
視覚異常検出のためのよりコンパクトな潜在空間を学習するために、CMLEは言語モダリティから相関構造行列を学習する。
論文 参考訳（メタデータ） (2023-10-04T13:44:56Z) - Self-supervised Semantic Segmentation: Consistency over Transformation [3.485615723221064]
Inception Large Kernel Attention (I-LKA) モジュールをベースとしたロバストなフレームワークを統合した新しい自己教師型アルゴリズム textbfS$3$-Net を提案する。
我々は、変形可能な畳み込みを積分成分として利用し、優れた物体境界定義のための歪み変形を効果的に捕捉し、デライン化する。
皮膚病変および肺臓器の分節タスクに関する実験結果から,SOTA法と比較して,本手法の優れた性能を示した。
論文 参考訳（メタデータ） (2023-08-31T21:28:46Z) - Localized Region Contrast for Enhancing Self-Supervised Learning in
Medical Image Segmentation [27.82940072548603]
本稿では,地域コントラスト(LRC)を統合した新しいコントラスト学習フレームワークを提案する。
提案手法では,Felzenszwalbのアルゴリズムによるスーパーピクセルの同定と,新しいコントラッシブサンプリング損失を用いた局所コントラスト学習を行う。
論文 参考訳（メタデータ） (2023-04-06T22:43:13Z) - MSCDA: Multi-level Semantic-guided Contrast Improves Unsupervised Domain
Adaptation for Breast MRI Segmentation in Small Datasets [5.272836235045653]
マルチレベルセマンティック・ガイド・コントラスト・ドメイン・アダプティブ・フレームワークを提案する。
我々のアプローチは、ドメイン間の特徴表現を整合させるために、対照的な学習を伴う自己学習を取り入れている。
特に,ピクセル・ツー・ピクセル,ピクセル・ツー・セントロイド,セントロイド・ツー・セントロイドのコントラストを取り入れることで,コントラストの損失を増大させる。
論文 参考訳（メタデータ） (2023-01-04T19:16:55Z) - 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) - 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) - TransAttUnet: Multi-level Attention-guided U-Net with Transformer for
Medical Image Segmentation [33.45471457058221]
本稿では,TransAttUnetと呼ばれるトランスフォーマーベースの医用画像セマンティックセマンティック・セマンティック・フレームワークを提案する。
特に,デコーダブロック間の複数スケールのスキップ接続を確立することで,セマンティック・スケールのアップサンプリング機能を集約する。
我々の手法は一貫して最先端のベースラインを上回っている。
論文 参考訳（メタデータ） (2021-07-12T09:17:06Z) - Cross-Modality Brain Tumor Segmentation via Bidirectional
Global-to-Local Unsupervised Domain Adaptation [61.01704175938995]
本論文では,UDAスキームに基づくBiGL(Bidirectional Global-to-Local)適応フレームワークを提案する。
具体的には、脳腫瘍をセグメント化するために、双方向画像合成およびセグメンテーションモジュールを提案する。
提案手法は, 最先端の非教師なし領域適応法を大きなマージンで上回っている。
論文 参考訳（メタデータ） (2021-05-17T10:11:45Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳（メタデータ） (2020-11-28T16:31:00Z) - Self-supervised Equivariant Attention Mechanism for Weakly Supervised
Semantic Segmentation [93.83369981759996]
本稿では,自己監督同変注意機構(SEAM)を提案する。
本手法は,完全教師付きセマンティックセグメンテーションにおいて,同値が暗黙の制約であることを示す。
本稿では,ネットワーク学習のための自己スーパービジョンを提供するために,様々な変換画像から予測されたCAMの整合性正則化を提案する。
論文 参考訳（メタデータ） (2020-04-09T14:57:57Z)
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。