論文の概要: IL-MCAM: An interactive learning and multi-channel attention
mechanism-based weakly supervised colorectal histopathology image
classification approach
- arxiv url: http://arxiv.org/abs/2206.03368v1
- Date: Tue, 7 Jun 2022 15:03:05 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-08 19:27:20.203132
- Title: IL-MCAM: An interactive learning and multi-channel attention
mechanism-based weakly supervised colorectal histopathology image
classification approach
- Title(参考訳): il-mcam : 対話型学習と多チャンネル注意機構に基づく大腸病理組織像分類アプローチ
- Authors: Haoyuan Chen, Chen Li, Xiaoyan Li, Md Mamunur Rahaman, Weiming Hu,
Yixin Li, Wanli Liu, Changhao Sun, Hongzan Sun, Xinyu Huang, Marcin
Grzegorzek
- Abstract要約: 本稿では,注意機構と対話型学習に基づくIL-MCAMフレームワークを提案する。
提案するIL-MCAMフレームワークには,自動学習(AL)と対話学習(IL)の2段階がある。
IL段階において、IL-MCAMフレームワークは、対話的なアプローチでトレーニングセットに非分類画像を連続的に付加し、MCAMモデルの分類能力を向上させる。
- 参考スコア(独自算出の注目度): 23.520258872268556
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In recent years, colorectal cancer has become one of the most significant
diseases that endanger human health. Deep learning methods are increasingly
important for the classification of colorectal histopathology images. However,
existing approaches focus more on end-to-end automatic classification using
computers rather than human-computer interaction. In this paper, we propose an
IL-MCAM framework. It is based on attention mechanisms and interactive
learning. The proposed IL-MCAM framework includes two stages: automatic
learning (AL) and interactivity learning (IL). In the AL stage, a multi-channel
attention mechanism model containing three different attention mechanism
channels and convolutional neural networks is used to extract multi-channel
features for classification. In the IL stage, the proposed IL-MCAM framework
continuously adds misclassified images to the training set in an interactive
approach, which improves the classification ability of the MCAM model. We
carried out a comparison experiment on our dataset and an extended experiment
on the HE-NCT-CRC-100K dataset to verify the performance of the proposed
IL-MCAM framework, achieving classification accuracies of 98.98% and 99.77%,
respectively. In addition, we conducted an ablation experiment and an
interchangeability experiment to verify the ability and interchangeability of
the three channels. The experimental results show that the proposed IL-MCAM
framework has excellent performance in the colorectal histopathological image
classification tasks.
- Abstract(参考訳): 近年、大腸癌はヒトの健康を危険にさらす最も重要な疾患の1つとなっている。
大腸病理像の分類には,深層学習法の重要性が増している。
しかし、既存のアプローチでは、人間とコンピュータの相互作用ではなく、コンピュータを用いたエンドツーエンドの自動分類に重点を置いている。
本稿では,IL-MCAMフレームワークを提案する。
それは注意機構と対話的な学習に基づいている。
提案するIL-MCAMフレームワークは,自動学習(AL)と対話学習(IL)の2段階を含む。
AL段階では、3つの異なるアテンションメカニズムチャネルと畳み込みニューラルネットワークを含むマルチチャネルアテンションメカニズムモデルを用いて、分類のためのマルチチャネル特徴を抽出する。
IL段階において、IL-MCAMフレームワークは、対話的なアプローチでトレーニングセットに非分類画像を連続的に付加し、MCAMモデルの分類能力を向上させる。
提案するIL-MCAMフレームワークの性能を検証するため,本データセットとHE-NCT-CRC-100Kデータセットの比較実験を行い,98.98%,99.77%の分類精度を得た。
また,3つのチャネルの機能と交換性を検証するため,アブレーション実験と交換可能性実験を行った。
実験の結果,IL-MCAMフレームワークは大腸病理組織像分類タスクにおいて優れた性能を示した。
関連論文リスト
- Brain Tumor Classification using Vision Transformer with Selective Cross-Attention Mechanism and Feature Calibration [0.3749861135832073]
我々は,クロスアテンション融合モジュールの性能向上のための2つの新しいメカニズムを紹介する: 特徴メカニズム(FCM)と選択的クロスアテンション(SCA)である。
FCMは異なるブランチの機能を校正して互換性を高め、SCAは最も有益な機能に選択的に対応します。
提案手法は脳腫瘍の分類における他の最先端手法よりも優れており,精度と効率が向上している。
論文 参考訳(メタデータ) (2024-06-25T15:58:56Z) - SDR-Former: A Siamese Dual-Resolution Transformer for Liver Lesion
Classification Using 3D Multi-Phase Imaging [59.78761085714715]
本研究は肝病変分類のための新しいSDR-Formerフレームワークを提案する。
提案フレームワークは2つの臨床データセットに関する総合的な実験を通じて検証された。
科学コミュニティを支援するため,肝病変解析のための多段階MRデータセットを公開しています。
論文 参考訳(メタデータ) (2024-02-27T06:32:56Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳(メタデータ) (2023-10-22T02:27:02Z) - Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。
我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。
本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
論文 参考訳(メタデータ) (2023-09-19T16:08:33Z) - Breast Ultrasound Tumor Classification Using a Hybrid Multitask
CNN-Transformer Network [63.845552349914186]
胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。
ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。
本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
論文 参考訳(メタデータ) (2023-08-04T01:19:32Z) - MetaCAM: Ensemble-Based Class Activation Map [0.0]
クラスアクティベーションマップ(Class Activation Maps, CAM)は、CNNの視覚的説明法として人気が高まっている。
本稿では,複数の既存CAM手法を組み合わせたアンサンブルに基づくメタCAMを提案する。
メタCAMは既存のCAMよりも優れており、モデル予測に使用される画像の最も健全な領域を洗練している。
論文 参考訳(メタデータ) (2023-07-31T17:20:48Z) - A Novel Confidence Induced Class Activation Mapping for MRI Brain Tumor
Segmentation [19.52081109414247]
弱教師付きセマンティックセグメンテーションのための信頼誘導CAM(Cfd-CAM)を提案する。
Cfd-CAMは、対象クラスの信頼度を用いて、各特徴マップの重みを算出する。
2つの脳腫瘍データセットに対する実験により、Cfd-CAMは既存の最先端の手法よりも優れていることが示された。
論文 参考訳(メタデータ) (2023-06-08T18:01:08Z) - Joint localization and classification of breast tumors on ultrasound
images using a novel auxiliary attention-based framework [7.6620616780444974]
本稿では,注意機構と半教師付き半教師付き学習戦略に基づく,新しい共同局所化と分類モデルを提案する。
提案されたモジュール化フレームワークは、様々なアプリケーションに対して柔軟なネットワーク置換を可能にする。
論文 参考訳(メタデータ) (2022-10-11T20:14:13Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳(メタデータ) (2022-09-19T09:43:19Z) - 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) - Unsupervised Instance Segmentation in Microscopy Images via Panoptic
Domain Adaptation and Task Re-weighting [86.33696045574692]
病理組織像における教師なし核分割のためのCycle Consistency Panoptic Domain Adaptive Mask R-CNN(CyC-PDAM)アーキテクチャを提案する。
まず,合成画像中の補助的な生成物を除去するための核塗布機構を提案する。
第二に、ドメイン識別器を持つセマンティックブランチは、パンプトレベルのドメイン適応を実現するように設計されている。
論文 参考訳(メタデータ) (2020-05-05T11:08:26Z)
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。