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: 処理完了
- 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
- Authors: Ruining Deng, Can Cui, Lucas W. Remedios, Shunxing Bao, R. Michael
Womick, Sophie Chiron, Jia Li, Joseph T. Roland, Ken S. Lau, Qi Liu, Keith T.
Wilson, Yaohong Wang, Lori A. Coburn, Bennett A. Landman, Yuankai Huo
- 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
- HydraViT: Adaptive Multi-Branch Transformer for Multi-Label Disease
Classification from Chest X-ray Images [0.0]
胸部X線画像におけるマルチラベル分類性能を改善するための新しい手法を提案する。
HydraViTは、トランスフォーマーバックボーンとマルチブランチ出力モジュールと学習重み付けを組み合わせたものだ。
HydraViTは、競合する注意誘導手法の1.2%、地域誘導手法の1.4%、意味誘導手法の1.0%を上回っている。
論文 参考訳(メタデータ) (2023-10-09T20:45:29Z) - 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) - M$^{2}$SNet: Multi-scale in Multi-scale Subtraction Network for Medical
Image Segmentation [73.10707675345253]
医用画像から多様なセグメンテーションを仕上げるマルチスケールサブトラクションネットワーク(M$2$SNet)を提案する。
本手法は,4つの異なる医用画像セグメンテーションタスクの11つのデータセットに対して,異なる評価基準の下で,ほとんどの最先端手法に対して好意的に機能する。
論文 参考訳(メタデータ) (2023-03-20T06:26:49Z) - 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) - 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) - A Two-Stage Multiple Instance Learning Framework for the Detection of
Breast Cancer in Mammograms [13.842620686759616]
乳がんの大規模検診ではマンモグラムが一般的に用いられる。
画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。
グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。
画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
論文 参考訳(メタデータ) (2020-04-24T13:06:47Z) - 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。