論文の概要: Multi-Scale Attention-based Multiple Instance Learning for
Classification of Multi-Gigapixel Histology Images
- arxiv url: http://arxiv.org/abs/2209.03041v1
- Date: Wed, 7 Sep 2022 10:14:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 11:54:15.419088
- Title: Multi-Scale Attention-based Multiple Instance Learning for
Classification of Multi-Gigapixel Histology Images
- Title(参考訳): マルチギガピクセルヒストロジー画像の分類のためのマルチスケールアテンションに基づくマルチインスタンス学習
- Authors: Made Satria Wibawa, Kwok-Wai Lo, Lawrence Young, Nasir Rajpoot
- Abstract要約: 組織像の分類のための深層学習パイプラインを提案する。
我々は,ヘマトキシリンおよびエオシン染色(H&E)組織像に基づく鼻咽頭癌(NPC)の潜伏膜蛋白1(LMP1)像の予測を試みた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Histology images with multi-gigapixel of resolution yield rich information
for cancer diagnosis and prognosis. Most of the time, only slide-level label is
available because pixel-wise annotation is labour intensive task. In this
paper, we propose a deep learning pipeline for classification in histology
images. Using multiple instance learning, we attempt to predict the latent
membrane protein 1 (LMP1) status of nasopharyngeal carcinoma (NPC) based on
haematoxylin and eosin-stain (H&E) histology images. We utilised attention
mechanism with residual connection for our aggregation layers. In our 3-fold
cross-validation experiment, we achieved average accuracy, AUC and F1-score
0.936, 0.995 and 0.862, respectively. This method also allows us to examine the
model interpretability by visualising attention scores. To the best of our
knowledge, this is the first attempt to predict LMP1 status on NPC using deep
learning.
- Abstract(参考訳): 複数のギガピクセルの解像度を持つ組織像は、癌診断と予後に豊富な情報をもたらす。
ほとんどの場合、pixel-wiseアノテーションは労働集約的なタスクであるため、スライドレベルラベルのみが利用可能である。
本稿では,ヒストロジー画像の分類のための深層学習パイプラインを提案する。
複数のインスタンス学習を用いて,haematoxylinおよびeosin-stain(h&e)組織像に基づく鼻咽頭癌(npc)の潜伏膜蛋白1(lmp1)状態の予測を試みた。
我々はアグリゲーション層に対する残差接続による注意機構を利用した。
AUC, F1スコア0.936, 0.995, 0.862の3倍のクロスバリデーション実験を行った。
また,注意点を可視化することで,モデルの解釈可能性を調べることができる。
我々の知る限りでは、ディープラーニングを用いてNPC上のLMP1ステータスを予測する最初の試みである。
関連論文リスト
- Democratizing Pathological Image Segmentation with Lay Annotators via
Molecular-empowered Learning [20.11220024755348]
レイアノテータの部分ラベルを用いた多クラス細胞セグメンテーションのための分子動力学学習手法を提案する。
分子インフォームドアノテーションを用いてF1=0.8496を達成した。
本手法は,病的セグメンテーションの深部モデルの開発をライアノテータレベルまで民主化する。
論文 参考訳(メタデータ) (2023-05-31T16:54:47Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳(メタデータ) (2023-03-15T14:00:11Z) - 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) - PCRLv2: A Unified Visual Information Preservation Framework for
Self-supervised Pre-training in Medical Image Analysis [56.63327669853693]
本稿では,ピクセルレベルの情報を高レベルなセマンティクスに明示的にエンコードするための画素復元タスクを提案する。
また,画像理解を支援する強力なツールであるスケール情報の保存についても検討する。
提案されている統合SSLフレームワークは、さまざまなタスクで自己管理されたフレームワークを超越している。
論文 参考訳(メタデータ) (2023-01-02T17:47:27Z) - 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) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - Multi-Scale Input Strategies for Medulloblastoma Tumor Classification
using Deep Transfer Learning [59.30734371401316]
乳腺芽腫は小児で最も多い悪性脳腫瘍である。
CNNはMBサブタイプ分類に有望な結果を示した。
タイルサイズと入力戦略の影響について検討した。
論文 参考訳(メタデータ) (2021-09-14T09:42:37Z) - Deep Q-Network-Driven Catheter Segmentation in 3D US by Hybrid
Constrained Semi-Supervised Learning and Dual-UNet [74.22397862400177]
本稿では,教師付き学習手法よりも少ないアノテーションを要求できる新しいカテーテルセグメンテーション手法を提案する。
提案手法では,Voxelレベルのアノテーションを避けるために,深層Q学習を事前局所化ステップとみなす。
検出されたカテーテルでは、パッチベースのDual-UNetを使用してカテーテルを3Dボリュームデータに分割する。
論文 参考訳(メタデータ) (2020-06-25T21:10:04Z) - Representation Learning of Histopathology Images using Graph Neural
Networks [12.427740549056288]
本稿では,WSI表現学習のための2段階フレームワークを提案する。
色に基づく手法を用いて関連するパッチをサンプリングし、グラフニューラルネットワークを用いてサンプルパッチ間の関係を学習し、画像情報を単一のベクトル表現に集約する。
肺腺癌 (LUAD) と肺扁平上皮癌 (LUSC) の2つの亜型を鑑別するためのアプローチの有用性について検討した。
論文 参考訳(メタデータ) (2020-04-16T00:09:20Z) - An interpretable classifier for high-resolution breast cancer screening
images utilizing weakly supervised localization [45.00998416720726]
医用画像の特徴に対処する枠組みを提案する。
このモデルはまず、画像全体の低容量だがメモリ効率のよいネットワークを使用して、最も情報性の高い領域を識別する。
次に、選択したリージョンから詳細を収集するために、別の高容量ネットワークを適用します。
最後に、グローバルおよびローカル情報を集約して最終的な予測を行うフュージョンモジュールを使用する。
論文 参考訳(メタデータ) (2020-02-13T15:28:42Z)
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。