論文の概要: A graph-transformer for whole slide image classification

• arxiv url: http://arxiv.org/abs/2205.09671v1
• Date: Thu, 19 May 2022 16:32:10 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-20 17:28:40.274909
• Title: A graph-transformer for whole slide image classification
• Title（参考訳）: 全スライド画像分類のためのグラフ変換器
• Authors: Yi Zheng, Rushin H. Gindra, Emily J. Green, Eric J. Burks, Margrit Betke, Jennifer E. Beane, Vijaya B. Kolachalama
• Abstract要約: 本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。 本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
• 参考スコア（独自算出の注目度）: 11.968797693846476
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning is a powerful tool for whole slide image (WSI) analysis. Typically, when performing supervised deep learning, a WSI is divided into small patches, trained and the outcomes are aggregated to estimate disease grade. However, patch-based methods introduce label noise during training by assuming that each patch is independent with the same label as the WSI and neglect overall WSI-level information that is significant in disease grading. Here we present a Graph-Transformer (GT) that fuses a graph-based representation of an WSI and a vision transformer for processing pathology images, called GTP, to predict disease grade. We selected $4,818$ WSIs from the Clinical Proteomic Tumor Analysis Consortium (CPTAC), the National Lung Screening Trial (NLST), and The Cancer Genome Atlas (TCGA), and used GTP to distinguish adenocarcinoma (LUAD) and squamous cell carcinoma (LSCC) from adjacent non-cancerous tissue (normal). First, using NLST data, we developed a contrastive learning framework to generate a feature extractor. This allowed us to compute feature vectors of individual WSI patches, which were used to represent the nodes of the graph followed by construction of the GTP framework. Our model trained on the CPTAC data achieved consistently high performance on three-label classification (normal versus LUAD versus LSCC: mean accuracy$= 91.2$ $\pm$ $2.5\%$) based on five-fold cross-validation, and mean accuracy $= 82.3$ $\pm$ $1.0\%$ on external test data (TCGA). We also introduced a graph-based saliency mapping technique, called GraphCAM, that can identify regions that are highly associated with the class label. Our findings demonstrate GTP as an interpretable and effective deep learning framework for WSI-level classification.
• Abstract（参考訳）: ディープラーニングは、スライド画像全体(WSI)解析のための強力なツールである。 通常、教師付きディープラーニングを行う場合、WSIは小さなパッチに分割され、トレーニングされ、その結果を集約して病気の成績を推定する。 しかし、パッチベースの手法では、各パッチがwsiと同じラベルと独立していると仮定してトレーニング中にラベルノイズを発生させ、病気の採点において重要なwsiレベルの情報を無視する。 本稿では、WSIのグラフベース表現を融合したグラフ変換器(GT)と、GTPと呼ばれる病理画像の処理を行うビジョン変換器について述べる。 臨床プロテオミック腫瘍解析コンソーシアム(CPTAC),国立肺検診試験(NLST)および癌ゲノムアトラス(TCGA)から4,818ドルのWSIを選定し,GTPを用いて肺腺癌(LUAD)と扁平上皮癌(LSCC)とを鑑別した。 まず,NLSTデータを用いて,特徴抽出器を生成するためのコントラスト学習フレームワークを開発した。 これにより、グラフのノードを表すために使われた個々のWSIパッチの特徴ベクトルを計算し、続いてGTPフレームワークを構築しました。 cptacデータに基づいてトレーニングしたモデルは、3ラベルの分類(通常とluadとlscc:平均精度$91.2$$$$$\pm$$$2.5\%$)で、外部テストデータ(tcga)で平均精度$82.3$$$$$\pm$$$$1.0\%$で一貫して高い性能を達成しました。 また,graphcamと呼ばれる,クラスラベルに高度に関連付けられた領域を識別するグラフベースのサリエンシーマッピング手法も導入した。 本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。

関連論文リスト

• C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading [2.570529808612886]
  グラフベースの学習アプローチは、大腸癌組織像のグレード化にますます好まれている。 最近のグラフベースの手法では、スライドイメージ全体を小または中規模のパッチに分割し、各パッチにグラフを構築してトレーニングに使用する。 この方法は、WSI全体に存在する組織構造情報をキャプチャできず、画像パッチの膨大なデータセットからのトレーニングに依存します。 本稿では,2段階グラフ生成に基づく新しいセル・ツー・パッチグラフ畳み込みネットワーク(C2P-GCN)を提案する。
  論文  参考訳（メタデータ） (2024-03-08T00:15:43Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Explainable and Position-Aware Learning in Digital Pathology [0.0]
  本研究は, 位置埋め込みとグラフアテンションを用いて, WSIsからがんの分類を行う。 提案手法とがん診断, グレーディングにおける先行手法との比較により, 性能改善が確認できた。 WSIsにおける癌領域の同定は、がん診断におけるもう一つの重要な課題である。
  論文  参考訳（メタデータ） (2023-06-14T01:53:17Z)
• Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
  本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。 スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。 提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
  論文  参考訳（メタデータ） (2023-06-07T20:23:05Z)
• LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening [19.803614403803962]
  スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれる弱教師付きラベル効率WSIスクリーニング法を提案する。 スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。 病理組織WSIにおける最新のMIL法よりも優れており、細胞学的WSI検診の自動化を実現している。
  論文  参考訳（メタデータ） (2023-06-06T05:09:20Z)
• 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)
• Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer [8.790852468118208]
  WholeSIGHTは、Whole-Slide画像の分類と分類を行う弱い教師付き手法である。 前立腺癌3例のWSIデータセットを用いてWholeSIGHTを評価した。
  論文  参考訳（メタデータ） (2023-01-07T20:38:36Z)
• 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)
• Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based Sparse PCA Network [93.22587316229954]
  ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。 我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
  論文  参考訳（メタデータ） (2021-10-27T19:28:36Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。