論文の概要: Cross-scale Attention Guided Multi-instance Learning for Crohn's Disease Diagnosis with Pathological Images

• arxiv url: http://arxiv.org/abs/2208.07322v1
• Date: Mon, 15 Aug 2022 16:39:34 GMT
• ステータス: 翻訳完了
• システム内更新日: 2022-08-16 13:01:46.957984
• Title: Cross-scale Attention Guided Multi-instance Learning for Crohn's Disease Diagnosis with Pathological Images
• Title（参考訳）: 病理画像を用いたクローン病診断のためのマルチインスタンス・ラーニング
• Abstract要約: MIL(Multi-Instance Learning)は、コンピュータ支援による病的全スライド画像(WSI)の解釈に広く用いられている。 我々は、クローン病(CD)のための単一のMILネットワークにスケール間相互作用を明示的に集約する新しいクロススケールアテンション機構を提案する。 提案手法は,ベースラインモデルと比較して,AUCスコア0.8924で優れたエリアを達成できた。
• 参考スコア（独自算出の注目度）: 22.98849180654734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-instance learning (MIL) is widely used in the computer-aided interpretation of pathological Whole Slide Images (WSIs) to solve the lack of pixel-wise or patch-wise annotations. Often, this approach directly applies "natural image driven" MIL algorithms which overlook the multi-scale (i.e. pyramidal) nature of WSIs. Off-the-shelf MIL algorithms are typically deployed on a single-scale of WSIs (e.g., 20x magnification), while human pathologists usually aggregate the global and local patterns in a multi-scale manner (e.g., by zooming in and out between different magnifications). In this study, we propose a novel cross-scale attention mechanism to explicitly aggregate inter-scale interactions into a single MIL network for Crohn's Disease (CD), which is a form of inflammatory bowel disease. The contribution of this paper is two-fold: (1) a cross-scale attention mechanism is proposed to aggregate features from different resolutions with multi-scale interaction; and (2) differential multi-scale attention visualizations are generated to localize explainable lesion patterns. By training ~250,000 H&E-stained Ascending Colon (AC) patches from 20 CD patient and 30 healthy control samples at different scales, our approach achieved a superior Area under the Curve (AUC) score of 0.8924 compared with baseline models. The official implementation is publicly available at https://github.com/hrlblab/CS-MIL.
• Abstract（参考訳）: MIL(Multi-instance Learning)は、コンピュータ支援によるWSIの解釈において、ピクセルワイドまたはパッチワイドアノテーションの欠如を解決するために広く使われている。 多くの場合、このアプローチはwsisのマルチスケール(ピラミッド型)な性質を見渡す「自然画像駆動」ミルアルゴリズムを直接適用する。 オフザシェルフのMILアルゴリズムは通常、単一スケールのWSI(例:20倍)にデプロイされるが、人間の病理学者は通常、グローバルパターンとローカルパターンをマルチスケールで集約する(例:異なる倍率の間をズームインしてズームアウトする)。 本研究では,炎症性腸疾患の一形態であるクローン病(CD)の1つのMILネットワークに,相互の相互作用を明示的に集約する,新しいクロススケールアテンション機構を提案する。 本研究の貢献は, (1) 異なる解像度の特徴をマルチスケールインタラクションで集約するクロススケール注意機構, (2) 説明可能な病変パターンを局所化する差分多スケール注意可視化機構,の2つである。 20のcd患者から25万のh&eで維持された上行結腸(ac)パッチと30の健康管理サンプルを異なるスケールでトレーニングすることで,aucスコアの0.8924よりも優れた領域を達成した。 公式実装はhttps://github.com/hrlblab/CS-MILで公開されている。

関連論文リスト

• Disentangling Co-Occurring Retinal Pathologies with Saliency-Guided Sparse Expert Routing [3.332219204498619]
  本稿では,これをスパース条件計算によって解決する新しいアーキテクチャを提案する。 本研究は, 局所的な病変との整合性を示すとともに, 地理的に類似した症例を地図化したものである。
  論文  参考訳（メタデータ） (2026-08-10T15:43:43Z)
• PC-MIL: Decoupling Feature Resolution from Supervision Scale in Whole-Slide Learning [15.567271338271032]
  計算病理学におけるWSI(Whole-Slide Image)分類は、一般に1つのグローバルバッグ表現を持つスライドレベル多重インスタンス学習(MIL)として定式化されている。 本稿では,一級設計次元として空間的監督範囲を扱うフレームワークであるProgressive-Context MIL(PC-MIL)を提案する。
  論文  参考訳（メタデータ） (2026-04-13T22:19:28Z)
• Jigsaw Regularization in Whole-Slide Image Classification [0.0]
  計算病理学では、染色組織を連続的なパッチとして配置された数十億画素を含む全スライド画像(WSI)にデジタル化する。 WSIの統計分析は、主にマルチインスタンスラーニング(MIL)による分類に焦点を当てており、スライドレベルのラベルはラベルのないパッチから推測される。 この研究は、空間認識をMILに組み込むことを目的とした最近のグラフベースの手法に基づいている。 これらの2つの特徴を組み合わせることで、乳がん、頭頸部がん、大腸癌のベンチマークデータセットに対する最先端の注意に基づくMILアプローチの分類が大幅に改善されることがわかりました。
  論文  参考訳（メタデータ） (2026-03-20T18:04:25Z)
• DCMIL: A Progressive Representation Learning of Whole Slide Images for Cancer Prognosis Analysis [20.81711023855778]
  本稿では、DCMIL(Dual-curriculum contrastive multi-instance learning)と呼ばれる、難易度から難易度までのプログレッシブな表現学習を提案する。 12種類のがん(5,954人、12.54万個のタイル)の実験では、DCMILが標準的なWSIベースの予後モデルより優れていることが示されている。 DCMILは、微細な予後関連領域を特定し、堅牢なインスタンスの不確実性評価を提供し、正常組織と腫瘍組織の間の形態的差異を捉えている。
  論文  参考訳（メタデータ） (2025-10-16T08:03:54Z)
• Multimodal Causal-Driven Representation Learning for Generalizable Medical Image Segmentation [56.52520416420957]
  医用画像セグメンテーションにおける領域一般化に取り組むために, MCDRL(Multimodal Causal-Driven Representation Learning)を提案する。 MCDRLは競合する手法より一貫して優れ、セグメンテーション精度が優れ、堅牢な一般化性を示す。
  論文  参考訳（メタデータ） (2025-08-07T03:41:41Z)
• DMS-Net:Dual-Modal Multi-Scale Siamese Network for Binocular Fundus Image Classification [8.010725085988296]
  眼科疾患は世界的な健康上の課題となっているが、従来の診断法では両眼の病理学的相関を考慮できないことが多い。 両眼底画像分類のためのマルチスケール・マルチスケール・シームズ・ネットワークであるDMS-Netを提案する。 筆者らのフレームワークは,重量共有したSiamese ResNet-152バックボーンを利用して,2枚の眼底画像から深い意味的特徴を抽出する。
  論文  参考訳（メタデータ） (2025-04-25T03:27:28Z)
• Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification [50.899861205016265]
  乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
  論文  参考訳（メタデータ） (2025-03-08T04:51:58Z)
• CARMIL: Context-Aware Regularization on Multiple Instance Learning models for Whole Slide Images [0.41873161228906586]
  複数のインスタンス学習モデルは、全スライド画像のがん予後に有効であることが証明されている。 元のMILの定式化は、同じ画像のパッチが独立であると誤って仮定する。 空間知識を任意のMILモデルにシームレスに統合する多目的正規化手法を提案する。
  論文  参考訳（メタデータ） (2024-08-01T09:59:57Z)
• Finding Regions of Interest in Whole Slide Images Using Multiple Instance Learning [0.23301643766310368]
  病理ラベリングは通常、タイルレベルではなくスライドレベルで行われるため、WSI(Whole Slide Images)はAIベース/AI経由の分析に対する特別な課題である。 本稿では,がんの表現型を正確に予測するために,弱教師付き多重インスタンス学習(MIL)手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T19:33:41Z)
• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Dual-scale Enhanced and Cross-generative Consistency Learning for Semi-supervised Medical Image Segmentation [49.57907601086494]
  医用画像のセグメンテーションはコンピュータ支援診断において重要な役割を担っている。 半教師型医用画像(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learning frameworkを提案する。
  論文  参考訳（メタデータ） (2023-12-26T12:56:31Z)
• 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)
• Cross-scale Multi-instance Learning for Pathological Image Diagnosis [20.519711186151635]
  MIL(Multi-Instance Learning)は、オブジェクトの袋を分類することで高解像度画像を扱うための一般的なソリューションである。 画像診断のための1つのMILネットワークにスケール間関係を明示的に集約する,新しいクロススケールMILアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-04-01T03:52:52Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
  本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。 我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
  論文  参考訳（メタデータ） (2023-03-01T23:37:45Z)
• 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)
• Segmentation of Cellular Patterns in Confocal Images of Melanocytic Lesions in vivo via a Multiscale Encoder-Decoder Network (MED-Net) [2.0487455621441377]
  マルチスケールデコーダネットワーク(MED-Net)は,パターンのクラスに定量的なラベル付けを行う。 メラノサイト病変の117個の反射共焦点顕微鏡(RCM)モザイクの非重畳分割について,本モデルを訓練・試験した。
  論文  参考訳（メタデータ） (2020-01-03T22:34:52Z)

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。