論文の概要: DSCA: A Dual-Stream Network with Cross-Attention on Whole-Slide Image
Pyramids for Cancer Prognosis
- arxiv url: http://arxiv.org/abs/2206.05782v4
- Date: Tue, 28 Mar 2023 10:44:40 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-29 19:55:22.383362
- Title: DSCA: A Dual-Stream Network with Cross-Attention on Whole-Slide Image
Pyramids for Cancer Prognosis
- Title（参考訳）: DSCA: がん予後のための全スライディング画像ピラミッドをクロスアテンションしたデュアルストリームネットワーク
- Authors: Pei Liu, Bo Fu, Feng Ye, Rui Yang, Bin Xu, and Luping Ji
- Abstract要約: 本稿では,新たな視点からWSIピラミッドを効果的に活用することを提案する。
我々は1,911人の患者から合計3,101個のWSIを持つ3つの公開データセットでDSCAを検証した。
実験およびアブレーション試験により,提案DSCAは癌予後における既存の最先端の手法よりも約4.6%のC-Index改善を達成できることが確認された。
- 参考スコア（独自算出の注目度）: 16.726645267120965
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The cancer prognosis on gigapixel Whole-Slide Images (WSIs) has always been a
challenging task. To further enhance WSI visual representations, existing
methods have explored image pyramids, instead of single-resolution images, in
WSIs. In spite of this, they still face two major problems: high computational
cost and the unnoticed semantical gap in multi-resolution feature fusion. To
tackle these problems, this paper proposes to efficiently exploit WSI pyramids
from a new perspective, the dual-stream network with cross-attention (DSCA).
Our key idea is to utilize two sub-streams to process the WSI patches with two
resolutions, where a square pooling is devised in a high-resolution stream to
significantly reduce computational costs, and a cross-attention-based method is
proposed to properly handle the fusion of dual-stream features. We validate our
DSCA on three publicly-available datasets with a total number of 3,101 WSIs
from 1,911 patients. Our experiments and ablation studies verify that (i) the
proposed DSCA could outperform existing state-of-the-art methods in cancer
prognosis, by an average C-Index improvement of around 4.6%; (ii) our DSCA
network is more efficient in computation -- it has more learnable parameters
(6.31M vs. 860.18K) but less computational costs (2.51G vs. 4.94G), compared to
a typical existing multi-resolution network. (iii) the key components of DSCA,
dual-stream and cross-attention, indeed contribute to our model's performance,
gaining an average C-Index rise of around 2.0% while maintaining a
relatively-small computational load. Our DSCA could serve as an alternative and
effective tool for WSI-based cancer prognosis.
- Abstract（参考訳）: ギガピクセル全スライド画像(WSI)のガン予後は、常に困難な課題である。
WSIの視覚的表現をさらに強化するため、既存の手法では単一解像度の画像ではなく、画像ピラミッドをWSIで探索している。
それにもかかわらず、彼らは高い計算コストと、マルチレゾリューション機能融合における意味的ギャップという2つの大きな問題に直面している。
このような問題に対処するために, クロスアテンション(DSCA)を用いた二ストリームネットワーク, 新たな視点からWSIピラミッドを効率的に利用することを提案する。
提案手法では,2つのサブストリームを用いて2つの解像度でwsiパッチを処理し,正方形プーリングを高分解能ストリームで考案し,計算コストを大幅に削減し,デュアルストリーム機能の融合を適切に処理するためのクロス・アテンション・ベースの手法を提案する。
1,911人の患者から3,101wsisの公開データセットをdscaで検証した。
我々の実験とアブレーションの研究は
i)提案したDSCAは,C-Indexの平均改善率約4.6%により,がん予後における既存の最先端の手法より優れる可能性がある。
(ii)我々のdscaネットワークは計算効率が良く、従来のマルチレゾリューションネットワークに比べて学習可能なパラメータ(6.31m対860.18k)は少ないが、計算コストは2.51g対4.94g)である。
3) DSCA, デュアルストリーム, クロスアテンションのキーコンポーネントは, 比較的小さな計算負荷を維持しながら, 平均C-Indexの上昇率を約2.0%とすることで, モデルの性能に寄与する。
我々のDSCAは、WSIベースのがん予後の代替的で効果的なツールとなり得る。
関連論文リスト
- S3TU-Net: Structured Convolution and Superpixel Transformer for Lung Nodule Segmentation [5.2752693301728355]
マルチ次元空間コネクタとスーパーピクセルベースの視覚変換器を統合したセグメンテーションモデルS3TU-Netを提案する。
S3TU-NetはマルチビューCNN-Transformerハイブリッドアーキテクチャ上に構築されており、スーパーピクセルアルゴリズム、構造化重み付け、空間シフト技術が組み込まれている。
LIDC-IDRIデータセットの実験結果は、S3TU-Netがそれぞれ89.04%、90.73%、90.70%のDSC、精度、IoUを達成したことを示している。
論文 参考訳（メタデータ） (2024-11-19T15:00:18Z) - A Closer Look at Spatial-Slice Features Learning for COVID-19 Detection [8.215897530386343]
我々は,CTスキャンに特化して設計されたSpatial-Slice Feature Learning (SSFL++) フレームワークを提案する。
本研究の目的は,全CTスキャンでOODデータをフィルタリングし,70%の冗長性を完全に低減し,解析のための重要な空間スライスを選択することである。
実験では、トレーニングデータの1%しか持たない単純なE2D(EfficientNet-2D)モデルを用いて、我々のモデルの有望な性能を実証した。
論文 参考訳（メタデータ） (2024-04-02T05:19:27Z) - Simple 2D Convolutional Neural Network-based Approach for COVID-19 Detection [8.215897530386343]
本研究では,肺CT画像解析におけるディープラーニング技術の利用について検討した。
我々は,CTスキャンに適した高度な空間スライス特徴学習(SSFL++)フレームワークを提案する。
本研究の目的は,CTスキャン全体のアウト・オブ・ディストリビューション(OOD)データをフィルタリングし,データ冗長性を70%削減して解析に不可欠な空間スライス特徴を選択することである。
論文 参考訳（メタデータ） (2024-03-17T14:34:51Z) - ADASR: An Adversarial Auto-Augmentation Framework for Hyperspectral and
Multispectral Data Fusion [54.668445421149364]
HSI(Deep Learning-based Hyperspectral Image)は、HSI(Hyperspectral Image)とMSI(Multispectral Image)を深層ニューラルネットワーク(DNN)に融合させることにより、高空間分解能HSI(HR-HSI)を生成することを目的としている。
本稿では, HSI-MSI 融合のためのデータ多様性を向上するために, HSI-MSI サンプルペアの自動最適化と拡張を行う新しい逆自動データ拡張フレームワーク ADASR を提案する。
論文 参考訳（メタデータ） (2023-10-11T07:30:37Z) - DSNet: a simple yet efficient network with dual-stream attention for
lesion segmentation [0.0]
本稿では, 簡易かつ効率的なネットワークDSNetを提案する。
本手法は,モデル複雑性とメモリ消費の低い平均Dice係数(mDice)と平均MIoU(mIoU)のSOTA性能を実現する。
論文 参考訳（メタデータ） (2022-11-30T12:48:17Z) - Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。
HSI再構成のための深層学習にHSI空間を埋め込んだCST
特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文 参考訳（メタデータ） (2022-03-09T16:17:47Z) - HDNet: High-resolution Dual-domain Learning for Spectral Compressive
Imaging [138.04956118993934]
HSI再構成のための高分解能デュアルドメイン学習ネットワーク(HDNet)を提案する。
一方、高効率な特徴融合によるHR空間スペクトルアテンションモジュールは、連続的かつ微細な画素レベルの特徴を提供する。
一方、HSI再構成のために周波数領域学習(FDL)を導入し、周波数領域の差を狭める。
論文 参考訳（メタデータ） (2022-03-04T06:37:45Z) - Hyperspectral Pansharpening Based on Improved Deep Image Prior and
Residual Reconstruction [64.10636296274168]
高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能高分解能化
近年,深層畳み込みネットワーク(ConvNets)を用いたHSパンシャープ法が注目に値する結果を得た。
深層層の増加を抑えることで高レベルの特徴を学習することに焦点を当てた,新しいオーバーコンプリートネットワークHyperKiteを提案する。
論文 参考訳（メタデータ） (2021-07-06T14:11:03Z) - Fully Quantized Image Super-Resolution Networks [81.75002888152159]
効率と精度を両立させるためのフル量子化画像超解像フレームワーク(FQSR)を提案する。
我々は、SRResNet、SRGAN、EDSRを含む複数の主流超解像アーキテクチャに量子化スキームを適用した。
低ビット量子化を用いたFQSRは、5つのベンチマークデータセットの完全精度と比較すると、パー性能で実現できる。
論文 参考訳（メタデータ） (2020-11-29T03:53:49Z) - Coupled Convolutional Neural Network with Adaptive Response Function
Learning for Unsupervised Hyperspectral Super-Resolution [28.798775822331045]
ハイパースペクトル超解像(Hyperspectral super- resolution)とは、高空間分解能と高スペクトル分解能の両方を持つ画像を生成するためにHSIとMSIを融合させることを指す。
本研究では,従来のPSFやSRF情報を使わずにHSI-MSI融合の問題を解く,教師なし深層学習に基づく融合法HyCoNetを提案する。
論文 参考訳（メタデータ） (2020-07-28T06:17:02Z) - Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral
Super-Resolution [79.97180849505294]
本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。
3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
論文 参考訳（メタデータ） (2020-07-10T08:08:20Z)
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。