論文の概要: Shuffle Instances-based Vision Transformer for Pancreatic Cancer ROSE Image Classification

• arxiv url: http://arxiv.org/abs/2208.06833v1
• Date: Sun, 14 Aug 2022 11:37:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-16 14:38:49.913472
• Title: Shuffle Instances-based Vision Transformer for Pancreatic Cancer ROSE Image Classification
• Title（参考訳）: 膵癌ROSE画像分類のためのShuffle Instance-based Vision Transformer
• Authors: Tianyi Zhang, Youdan Feng, Yunlu Feng, Yu Zhao, Yanli Lei, Nan Ying, Zhiling Yan, Yufang He, Guanglei Zhang
• Abstract要約: ラピッドオンサイト評価(ROSE)技術は膵癌の診断を加速させる。 がんのパターンはサンプルによって大きく異なり、コンピュータ診断タスクは非常に難しい。 本稿では,シャッフルインスタンスをベースとしたビジョントランス (SI-ViT) アプローチを提案する。
• 参考スコア（独自算出の注目度）: 5.960465634030524
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The rapid on-site evaluation (ROSE) technique can signifi-cantly accelerate the diagnosis of pancreatic cancer by im-mediately analyzing the fast-stained cytopathological images. Computer-aided diagnosis (CAD) can potentially address the shortage of pathologists in ROSE. However, the cancerous patterns vary significantly between different samples, making the CAD task extremely challenging. Besides, the ROSE images have complicated perturbations regarding color distribution, brightness, and contrast due to different staining qualities and various acquisition device types. To address these challenges, we proposed a shuffle instances-based Vision Transformer (SI-ViT) approach, which can reduce the perturbations and enhance the modeling among the instances. With the regrouped bags of shuffle instances and their bag-level soft labels, the approach utilizes a regression head to make the model focus on the cells rather than various perturbations. Simultaneously, combined with a classification head, the model can effectively identify the general distributive patterns among different instances. The results demonstrate significant improvements in the classification accuracy with more accurate attention regions, indicating that the diverse patterns of ROSE images are effectively extracted, and the complicated perturbations are significantly reduced. It also suggests that the SI-ViT has excellent potential in analyzing cytopathological images. The code and experimental results are available at https://github.com/sagizty/MIL-SI.
• Abstract（参考訳）: 迅速オンサイトアセスメント(ROSE)技術は,早期の細胞病理像を即時解析することにより,膵癌の診断を手伝うことができる。 コンピュータ支援診断(CAD)は、ROSEにおける病理医の不足に対処する可能性がある。 しかし、がんのパターンは異なるサンプル間で大きく異なり、CADタスクは非常に困難である。 また、バラ画像は、色分布、明るさ、コントラストに関して、異なる染色性および様々な取得デバイスタイプによる複雑な摂動を有する。 これらの課題に対処するため,私たちはシャッフルインスタンスベースの視覚トランスフォーマ(si-vit)アプローチを提案し,摂動を低減し,インスタンス間のモデリングを強化した。 シャッフルインスタンスのリグループ化とバッグレベルのソフトラベルにより、モデルは様々な摂動ではなく、細胞に焦点を合わせるために回帰ヘッドを利用する。 同時に、分類ヘッドと組み合わせることで、モデルは異なるインスタンス間の一般的な分配パターンを効果的に識別することができる。 その結果,より正確な注意領域で分類精度が向上し,バラ画像の多様なパターンが効果的に抽出され,複雑な摂動が著しく低減された。 また,SI-ViTは細胞病理像の解析に優れた可能性が示唆された。 コードと実験結果はhttps://github.com/sagizty/mil-siで入手できる。

関連論文リスト

• Diffusion Models for Counterfactual Generation and Anomaly Detection in Brain Images [59.85702949046042]
  病気の画像の健全なバージョンを生成し,それを用いて画素単位の異常マップを得るための弱教師付き手法を提案する。 健常者を対象にした拡散モデルを用いて, サンプリングプロセスの各ステップで拡散拡散確率モデル (DDPM) と拡散拡散確率モデル (DDIM) を組み合わせる。 本手法が正常なサンプルに適用された場合,入力画像は大幅な修正を伴わずに再構成されることを確認した。
  論文  参考訳（メタデータ） (2023-08-03T21:56:50Z)
• On Sensitivity and Robustness of Normalization Schemes to Input Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
  深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。 DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。 本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
  論文  参考訳（メタデータ） (2023-06-23T03:09:03Z)
• 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)
• Stain-Adaptive Self-Supervised Learning for Histopathology Image Analysis [3.8073142980733]
  病理画像解析のためのSASSL法を提案する。 当社のSASSLはSSLフレームワークにドメイン・アドバイザリ・トレーニング・モジュールを統合して,さまざまな変換やスタイラスのバリエーションに対して堅牢な特徴を学習しています。 実験結果から,提案手法はモデルの特徴抽出能力を頑健に向上できることが示された。
  論文  参考訳（メタデータ） (2022-08-08T09:54:46Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• Texture Characterization of Histopathologic Images Using Ecological Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
  本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。 2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
  論文  参考訳（メタデータ） (2022-02-27T02:19:09Z)
• MSHT: Multi-stage Hybrid Transformer for the ROSE Image Analysis of Pancreatic Cancer [5.604939010661757]
  膵癌は世界で最も悪性ながんの1つであり、非常に高い死亡率で急速に悪化する。 自動ワークフローを実現するために,ハイブリッドな高性能ディープラーニングモデルを提案する。 4240個のROSE画像のデータセットを収集し、この未探索領域における手法を評価する。
  論文  参考訳（メタデータ） (2021-12-27T05:04:11Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)

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。