論文の概要: Patient-level Microsatellite Stability Assessment from Whole Slide
Images By Combining Momentum Contrast Learning and Group Patch Embeddings
- arxiv url: http://arxiv.org/abs/2208.10429v1
- Date: Mon, 22 Aug 2022 16:31:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-23 12:19:35.926590
- Title: Patient-level Microsatellite Stability Assessment from Whole Slide
Images By Combining Momentum Contrast Learning and Group Patch Embeddings
- Title（参考訳）: モーメントコントラスト学習とグループパッチ埋め込みを組み合わせた全スライド画像からの患者レベルのマイクロサテライト安定性評価
- Authors: Daniel Shats, Hadar Hezi, Guy Shani, Yosef E. Maruvka and Moti Freiman
- Abstract要約: 現在のアプローチでは、WSIから抽出された小さなパッチを最初に分類することで、WSIの高分解能をバイパスしている。
本稿では,WSI の高分解能情報を活用したパッチ埋め込みのモーメントコントラスト学習手法を提案する。
本手法は, パッチレベルの分類法や患者レベルの集計法と比較して, 最大で7.4%精度が向上する。
- 参考スコア（独自算出の注目度）: 6.40476282000118
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Assessing microsatellite stability status of a patient's colorectal cancer is
crucial in personalizing treatment regime. Recently,
convolutional-neural-networks (CNN) combined with transfer-learning approaches
were proposed to circumvent traditional laboratory testing for determining
microsatellite status from hematoxylin and eosin stained biopsy whole slide
images (WSI). However, the high resolution of WSI practically prevent direct
classification of the entire WSI. Current approaches bypass the WSI high
resolution by first classifying small patches extracted from the WSI, and then
aggregating patch-level classification logits to deduce the patient-level
status. Such approaches limit the capacity to capture important information
which resides at the high resolution WSI data. We introduce an effective
approach to leverage WSI high resolution information by momentum contrastive
learning of patch embeddings along with training a patient-level classifier on
groups of those embeddings. Our approach achieves up to 7.4\% better accuracy
compared to the straightforward patch-level classification and patient level
aggregation approach with a higher stability (AUC, $0.91 \pm 0.01$ vs. $0.85
\pm 0.04$, p-value$<0.01$). Our code can be found at
https://github.com/TechnionComputationalMRILab/colorectal_cancer_ai.
- Abstract（参考訳）: 大腸癌のマイクロサテライト安定性の評価は,治療体制のパーソナライズに重要である。
近年, ヘマトキシリンおよびエオシン染色生検全スライド画像(WSI)からマイクロサテライト状態を決定するために, 畳み込み神経ネットワーク(CNN)とトランスファーラーニング(transfer-learning)アプローチの併用が提案されている。
しかし、wsiの高分解能はwsi全体の直接分類を事実上妨げている。
現在のアプローチでは、まずwsiから抽出された小さなパッチを分類し、次にパッチレベルの分類ロジットを集約して患者レベルのステータスを推測することで、wsiハイレゾを回避している。
このようなアプローチは、高解像度のwsiデータに存在する重要な情報をキャプチャする能力を制限する。
本稿では,wsi高分解能情報を活用するための効果的な手法として,パッチ埋め込みの運動量比較学習と,それらの組込み群に対する患者レベル分類器の訓練を提案する。
提案手法は, パッチレベル分類と患者レベルのアグリゲーションによる安定性の向上 (AUC, $0.91 \pm 0.01$ vs. $0.85 \pm 0.04$, p-value$<0.01$) と比較して, 最大7.4\%の精度を実現している。
私たちのコードはhttps://github.com/TechnionComputationalMRILab/colorectal_cancer_aiで確認できます。
関連論文リスト
- NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level
Multi-Class Classification in Whole-Slide Images [10.8479107614771]
全スライディング画像(WSI)解析は、がんの診断と治療において重要な役割を担っている。
本稿では,新しい自己教師型学習手法であるNearby Patch Contrastive Learning(NearbyPatchCL)を紹介する。
本手法は,トップ1分類精度87.56%で,教師付きベースラインと最先端SSL法を著しく上回っている。
論文 参考訳（メタデータ） (2023-12-12T18:24:44Z) - Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites:
A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。
我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。
また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
論文 参考訳（メタデータ） (2023-08-31T00:36:10Z) - SPLAL: Similarity-based pseudo-labeling with alignment loss for
semi-supervised medical image classification [11.435826510575879]
半教師付き学習(SSL)メソッドはラベル付きデータとラベルなしデータの両方を活用することで課題を軽減することができる。
医用画像分類のためのSSL法では,(1)ラベルなしデータセットの画像に対する信頼性の高い擬似ラベルの推定,(2)クラス不均衡によるバイアスの低減という2つの課題に対処する必要がある。
本稿では,これらの課題を効果的に解決する新しいSSLアプローチであるSPLALを提案する。
論文 参考訳（メタデータ） (2023-07-10T14:53:24Z) - HVTSurv: Hierarchical Vision Transformer for Patient-Level Survival
Prediction from Whole Slide Image [13.100966504814604]
全スライド画像(WSI)に基づく生存予測は、患者レベル多重インスタンス学習(MIL)の課題である。
本稿では,HVTSurvという階層型視覚変換フレームワークを提案し,局所レベルの相対空間情報をエンコードする。
The Cancer Genome Atlas (TC)の6種類の癌に対して3,104人の患者と3,752人のWSIを用いてHVTSurvを検証する。
論文 参考訳（メタデータ） (2023-06-30T02:26:49Z) - 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) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - A graph-transformer for whole slide image classification [11.968797693846476]
本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。
本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
論文 参考訳（メタデータ） (2022-05-19T16:32:10Z) - MAg: a simple learning-based patient-level aggregation method for
detecting microsatellite instability from whole-slide images [3.0134189693277]
消化器癌におけるマイクロサテライト不安定性(MSI)とマイクロサテライト安定性(MSS)の予測は治療効果と予後の予測に不可欠である。
深層学習に基づくアルゴリズムは、ハエマトキシリンとエオシン(H&E)による全スライディング画像(WSI)から直接MSIを予測するために提案されている。
そこで本稿では,パッチレベルの情報を効果的に統合するための,シンプルながら広く一般化可能な患者レベルMSIアグリゲーション(MAg)手法を提案する。
論文 参考訳（メタデータ） (2022-01-13T02:53:55Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2020-03-17T09:51:30Z)
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。