論文の概要: Lesion-Aware Contrastive Representation Learning for Histopathology
Whole Slide Images Analysis
- arxiv url: http://arxiv.org/abs/2206.13115v1
- Date: Mon, 27 Jun 2022 08:39:51 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-28 15:08:49.244227
- Title: Lesion-Aware Contrastive Representation Learning for Histopathology
Whole Slide Images Analysis
- Title（参考訳）: 全スライド画像解析のための病変認識コントラスト表現学習
- Authors: Jun Li, Yushan Zheng, Kun Wu, Jun Shi, Fengying Xie, Zhiguo Jiang
- Abstract要約: 本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。
実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
- 参考スコア（独自算出の注目度）: 16.264758789726223
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Local representation learning has been a key challenge to promote the
performance of the histopathological whole slide images analysis. The previous
representation learning methods followed the supervised learning paradigm.
However, manual annotation for large-scale WSIs is time-consuming and
labor-intensive. Hence, the self-supervised contrastive learning has recently
attracted intensive attention. The present contrastive learning methods treat
each sample as a single class, which suffers from class collision problems,
especially in the domain of histopathology image analysis. In this paper, we
proposed a novel contrastive representation learning framework named
Lesion-Aware Contrastive Learning (LACL) for histopathology whole slide image
analysis. We built a lesion queue based on the memory bank structure to store
the representations of different classes of WSIs, which allowed the contrastive
model to selectively define the negative pairs during the training. Moreover,
We designed a queue refinement strategy to purify the representations stored in
the lesion queue. The experimental results demonstrate that LACL achieves the
best performance in histopathology image representation learning on different
datasets, and outperforms state-of-the-art methods under different WSI
classification benchmarks. The code is available at
https://github.com/junl21/lacl.
- Abstract（参考訳）: 局所表現学習は病理組織学的全スライド画像解析の性能向上に重要な課題である。
従来の表現学習方法は教師付き学習パラダイムに従っていた。
しかし、大規模wsisの手動アノテーションは時間と労力がかかる。
そのため,近年,自己指導型コントラスト学習が注目されている。
本研究の対比学習法は,各試料を1つのクラスとして扱い,特に病理組織学画像解析の領域において,クラス衝突問題に苦しむ。
本稿では,スライド画像解析における病理組織学全体を対象とした,LACL(Lesion-Aware Contrastive Learning)という新しいコントラスト学習フレームワークを提案する。
WSIの異なるクラスの表現を格納するために、メモリバンク構造に基づく障害キューを構築しました。
さらに,病巣キューに格納された表現を純化するために,キューリファインメント戦略を考案した。
実験の結果, LACLは, 異なるデータセット上での組織像表現学習において最高の性能を示し, 異なるWSI分類ベンチマークで最先端の手法より優れていた。
コードはhttps://github.com/junl21/laclで入手できる。
関連論文リスト
- 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) - Glioma subtype classification from histopathological images using
in-domain and out-of-domain transfer learning: An experimental study [9.161480191416551]
成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。
半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。
モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
論文 参考訳（メタデータ） (2023-09-29T13:22:17Z) - GenSelfDiff-HIS: Generative Self-Supervision Using Diffusion for Histopathological Image Segmentation [5.049466204159458]
自己教師付き学習(SSL)は、注釈のないデータのみを利用するモデルを構築することで、いくつかの欠点を提供する代替パラダイムである。
本稿では,生成拡散モデルを用いて病理像をセグメント化するためのSSLアプローチを提案する。
本手法は,拡散モデルがセグメント化タスクに似た画像から画像への変換タスクを効果的に解くことに基づく。
論文 参考訳（メタデータ） (2023-09-04T09:49:24Z) - Fine-Grained Self-Supervised Learning with Jigsaw Puzzles for Medical
Image Classification [11.320414512937946]
微細な病変の分類は、医療画像の微妙で微妙な違いのため困難である。
医用画像の微妙な病変を分類するためのFG-SSL法を提案する。
各種医用画像認識データセットを用いた包括的実験において,提案手法の有効性を検証した。
論文 参考訳（メタデータ） (2023-08-10T02:08:15Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳（メタデータ） (2023-02-03T13:50:25Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - Stain based contrastive co-training for histopathological image analysis [61.87751502143719]
本稿では,ヒストリボリューション画像の分類のための,新しい半教師付き学習手法を提案する。
我々は、半教師付き学習フレームワークを作成するために、パッチレベルのアノテーションと、新しいコトレーニング損失を併用した強力な監視を採用する。
透明細胞腎細胞および前立腺癌に対するアプローチを評価し,最先端の半教師あり学習法の改善を実証した。
論文 参考訳（メタデータ） (2022-06-24T22:25:31Z) - Exemplar Learning for Medical Image Segmentation [38.61378161105941]
医用画像セグメンテーションのためのempllar Learning-based Synthesis Net (ELSNet) フレームワークを提案する。
ELSNetはイメージセグメンテーションのための2つの新しいモジュールを導入している。
いくつかの臓器セグメント化データセットの実験を行い,詳細な解析を行った。
論文 参考訳（メタデータ） (2022-04-03T00:10:06Z) - Towards better understanding and better generalization of few-shot
classification in histology images with contrastive learning [7.620702640026243]
ナチュラル・イメージに長年定着した話題は少ないが、ヒストロジカル・イメージに携わる作品はほとんどない。
本稿では,LCL(Contrative Learning)とLA(Latent Augmentation)を併用して,数ショットのシステムを構築することを提案する。
実験では, CLが学習したモデルは, 未知のクラスにおける組織像の教師あり学習よりも一般化し, LAはベースラインよりも一貫した利得をもたらすことがわかった。
論文 参考訳（メタデータ） (2022-02-18T07:48:34Z) - 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) - Distilling Localization for Self-Supervised Representation Learning [82.79808902674282]
コントラスト学習は教師なし表現学習に革命をもたらした。
現在のコントラストモデルでは、前景オブジェクトのローカライズには効果がない。
本稿では,背景変化を学習するためのデータ駆動型手法を提案する。
論文 参考訳（メタデータ） (2020-04-14T16:29:42Z)
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。