論文の概要: Trusted Multi-Scale Classification Framework for Whole Slide Image
- arxiv url: http://arxiv.org/abs/2207.05290v1
- Date: Tue, 12 Jul 2022 03:57:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-14 01:28:00.427901
- Title: Trusted Multi-Scale Classification Framework for Whole Slide Image
- Title（参考訳）: フルスライド画像のための信頼度マルチスケール分類フレームワーク
- Authors: Ming Feng, Kele Xu, Nanhui Wu, Weiquan Huang, Yan Bai, Changjian Wang
and Huaimin Wang
- Abstract要約: ギガピクセル全体スライディング画像(WSI)のための信頼度の高いマルチスケール分類フレームワークを提案する。
本フレームワークは,顕微鏡の各々の倍率の不確かさを推定し,異なる倍率から証拠を統合することによって,モデリングを共同で分類することができる。
- 参考スコア（独自算出の注目度）: 24.38749637821446
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Despite remarkable efforts been made, the classification of gigapixels
whole-slide image (WSI) is severely restrained from either the constrained
computing resources for the whole slides, or limited utilizing of the knowledge
from different scales. Moreover, most of the previous attempts lacked of the
ability of uncertainty estimation. Generally, the pathologists often jointly
analyze WSI from the different magnifications. If the pathologists are
uncertain by using single magnification, then they will change the
magnification repeatedly to discover various features of the tissues. Motivated
by the diagnose process of the pathologists, in this paper, we propose a
trusted multi-scale classification framework for the WSI. Leveraging the Vision
Transformer as the backbone for multi branches, our framework can jointly
classification modeling, estimating the uncertainty of each magnification of a
microscope and integrate the evidence from different magnification. Moreover,
to exploit discriminative patches from WSIs and reduce the requirement for
computation resources, we propose a novel patch selection schema using
attention rollout and non-maximum suppression. To empirically investigate the
effectiveness of our approach, empirical experiments are conducted on our WSI
classification tasks, using two benchmark databases. The obtained results
suggest that the trusted framework can significantly improve the WSI
classification performance compared with the state-of-the-art methods.
- Abstract（参考訳）: 顕著な努力にもかかわらず、ギガピクセル全体スライディング画像(WSI)の分類は、スライド全体の制約された計算資源から厳しく制限されているか、あるいは異なるスケールからの知識の活用が制限されている。
さらに、以前の試みのほとんどは不確実性推定の能力に欠けていた。
病理学者はしばしば、異なる拡大からwsiを共同分析する。
病理学者が単一の倍率を用いて不確かであれば、その倍率を何度も変えて組織の様々な特徴を発見する。
本稿では,病理学者の診断プロセスに動機づけられ,wsiの信頼性の高いマルチスケール分類フレームワークを提案する。
マルチブランチのバックボーンとして視覚トランスフォーマーを利用することで,モデリングを共同で分類し,顕微鏡の各倍率の不確かさを推定し,異なる倍率からのエビデンスを統合する。
さらに,WSIの識別パッチを利用して計算資源の要求を減らし,アテンションロールアウトと非最大抑制を用いた新しいパッチ選択スキーマを提案する。
提案手法の有効性を実証的に検証するために,2つのベンチマークデータベースを用いてwsi分類タスクで実験を行った。
その結果、信頼されたフレームワークは最新手法と比較してwsi分類性能を大幅に向上できることが示唆された。
関連論文リスト
- Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。
本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。
本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
論文 参考訳（メタデータ） (2023-09-01T11:15:50Z) - 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) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳（メタデータ） (2023-07-12T16:14:23Z) - Mimicking a Pathologist: Dual Attention Model for Scoring of Gigapixel
Histology Images [12.53157021039492]
病理医による視覚検査を模倣する2つの主成分からなる新しい二重注意アプローチを提案する。
乳がんのHER2予測と,大腸癌に対する2つのMMRバイオマーカーのIntact/Loss像の予測の2つの異なるIHC症例に提案したモデルを応用した。
論文 参考訳（メタデータ） (2023-02-19T22:26:25Z) - 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) - Multi-domain stain normalization for digital pathology: A
cycle-consistent adversarial network for whole slide images [0.0]
本稿では,CycleGANに基づく染色正規化のためのマルチドメインアプローチであるMultiStain-CycleGANを提案する。
CycleGANの変更により、異なるモデルを再トレーニングしたり使用したりすることなく、異なる起源の画像の正規化が可能になります。
論文 参考訳（メタデータ） (2023-01-23T13:34:49Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳（メタデータ） (2022-12-01T07:32:56Z) - 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) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings [12.398787062519034]
本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
論文 参考訳（メタデータ） (2021-07-02T13:18:45Z) - Malignancy Prediction and Lesion Identification from Clinical
Dermatological Images [65.1629311281062]
臨床皮膚画像から機械学習に基づく悪性度予測と病変の同定を検討する。
まず, サブタイプや悪性度に関わらず画像に存在するすべての病変を同定し, その悪性度を推定し, 凝集により, 画像レベルの悪性度も生成する。
論文 参考訳（メタデータ） (2021-04-02T20:52:05Z)
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。