論文の概要: HistoPerm: A Permutation-Based View Generation Approach for Learning
Histopathologic Feature Representations
- arxiv url: http://arxiv.org/abs/2209.06185v1
- Date: Tue, 13 Sep 2022 17:35:08 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-14 12:56:48.490248
- Title: HistoPerm: A Permutation-Based View Generation Approach for Learning
Histopathologic Feature Representations
- Title（参考訳）: HistoPerm: 組織学的特徴表現の学習のための置換に基づくビュー生成手法
- Authors: Joseph DiPalma, Lorenzo Torresani, Saeed Hassanpour
- Abstract要約: HistoPermは、弱教師付き環境での組織像における表現学習技術の性能を向上させるために設計されたビュー生成手法である。
チェリアック病と腎細胞癌の2つの病理組織学的データセットを用いて,BYOLとSimCLRにHistoPermを加えて検討した。
どちらのデータセットも、標準的なBYOLとSimCLRのアプローチと比較して、精度、F1スコア、AUCのパフォーマンスが改善された。
- 参考スコア（独自算出の注目度）: 33.1098457952173
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, deep learning methods have been successfully applied to solve
numerous challenges in the field of digital pathology. However, many of these
approaches are fully supervised and require annotated images. Annotating a
histology image is a time-consuming and tedious process for even a highly
skilled pathologist, and, as such, most histology datasets lack
region-of-interest annotations and are weakly labeled. In this paper, we
introduce HistoPerm, a view generation approach designed for improving the
performance of representation learning techniques on histology images in weakly
supervised settings. In HistoPerm, we permute augmented views of patches
generated from whole-slide histology images to improve classification accuracy.
These permuted views belong to the same original slide-level class but are
produced from distinct patch instances. We tested adding HistoPerm to BYOL and
SimCLR, two prominent representation learning methods, on two public histology
datasets for Celiac disease and Renal Cell Carcinoma. For both datasets, we
found improved performance in terms of accuracy, F1-score, and AUC compared to
the standard BYOL and SimCLR approaches. Particularly, in a linear evaluation
configuration, HistoPerm increases classification accuracy on the Celiac
disease dataset by 8% for BYOL and 3% for SimCLR. Similarly, with HistoPerm,
classification accuracy increases by 2% for BYOL and 0.25% for SimCLR on the
Renal Cell Carcinoma dataset. The proposed permutation-based view generation
approach can be adopted in common representation learning frameworks to capture
histopathology features in weakly supervised settings and can lead to
whole-slide classification outcomes that are close to, or even better than,
fully supervised methods.
- Abstract（参考訳）: 近年,デジタル病理学分野における多くの課題を解決するために,ディープラーニング手法が成功している。
しかし、これらのアプローチの多くは完全に監督され、注釈付き画像を必要とする。
ヒストロジー画像の注釈付けは、高度に熟練した病理学者でさえも時間のかかる退屈なプロセスであり、そのため、ほとんどのヒストロジーデータセットには利害関係の領域アノテーションが欠如しており、弱いラベルが付けられている。
本稿では,ヒストロジー画像における表現学習手法の性能を向上させるために設計されたビュー生成手法であるhistopermを提案する。
ヒストペルムでは,全スリッドヒストロジー画像から生成されたパッチのさらなるビューを推定し,分類精度を向上させる。
これらの置換ビューは同じスライドレベルクラスに属するが、異なるパッチインスタンスから生成される。
チェリアック病と腎細胞癌の2つの病理組織学的データセットを用いて,BYOLとSimCLRにHistoPermを加えて検討した。
どちらのデータセットも、標準的なBYOLとSimCLRのアプローチと比較して、精度、F1スコア、AUCのパフォーマンスが改善された。
特に、線形評価構成では、ヒストペルムはceliac disease datasetの分類精度をbyolでは8%、simclrでは3%向上させる。
同様にHistoPermでは、BYOLでは2%、腎細胞癌データセットではSimCLRでは0.25%の分類精度が向上する。
提案手法は, 組織学的特徴を弱教師付き環境で捉えるために, 共通の表現学習フレームワークに応用でき, 完全教師付き手法に近い, あるいはそれ以上に優れた, 全体スライディング分類結果をもたらす可能性がある。
関連論文リスト
- Efficient Quality Control of Whole Slide Pathology Images with Human-in-the-loop Training [3.2646075700744928]
Histo whole slide image (WSI) は、特に精度オンコロジーにおいて、ディープラーニングに基づく診断ソリューションの開発に広く利用されている。
これらの診断ソフトウェアのほとんどは、トレーニングやテストデータにおけるバイアスや不純物に弱いため、不正確な診断につながる可能性がある。
我々は、WSIを6つの組織領域に分離する、頑健だが軽量なディープラーニングベースの分類器であるHistoROIを紹介した。
論文 参考訳（メタデータ） (2024-09-29T07:08:45Z) - Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin [0.0]
虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
論文 参考訳（メタデータ） (2024-05-01T23:40:12Z) - Histopathologic Cancer Detection [0.0]
この作業では、PatchCamelyonベンチマークデータセットを使用して、モデルをマルチレイヤのパーセプトロンと畳み込みモデルでトレーニングし、精度の高いリコール、F1スコア、精度、AUCスコアでモデルのパフォーマンスを観察する。
また,データ拡張を伴うResNet50とInceptionNetモデルを導入し,ResNet50が最先端モデルに勝てることを示す。
論文 参考訳（メタデータ） (2023-11-13T19:51:46Z) - Performance of GAN-based augmentation for deep learning COVID-19 image
classification [57.1795052451257]
ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。
データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。
本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
論文 参考訳（メタデータ） (2023-04-18T15:39:58Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - Lung Cancer Lesion Detection in Histopathology Images Using Graph-Based
Sparse PCA Network [93.22587316229954]
ヘマトキシリンとエオシン(H&E)で染色した組織学的肺スライドにおける癌病変の自動検出のためのグラフベーススパース成分分析(GS-PCA)ネットワークを提案する。
我々は,SVM K-rasG12D肺がんモデルから得られたH&Eスライダーの精度・リコール率,Fスコア,谷本係数,レシーバ演算子特性(ROC)の曲線下領域を用いて,提案アルゴリズムの性能評価を行った。
論文 参考訳（メタデータ） (2021-10-27T19:28:36Z) - Cross-Site Severity Assessment of COVID-19 from CT Images via Domain
Adaptation [64.59521853145368]
CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。
ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。
この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
論文 参考訳（メタデータ） (2021-09-08T07:56:51Z) - DeepSMILE: Contrastive self-supervised pre-training benefits MSI and HRD
classification directly from H&E whole-slide images in colorectal and breast
cancer [22.46523830554047]
ヘマトキシリンおよびエオシン染色腫瘍組織の全スライド画像(WSI)を解析するための深層学習に基づく弱ラベル学習法を提案する。
We apply DeepSMILE to the task of Homologous recombination deficiency (HRD) and microsatellite instability (MSI) prediction。
論文 参考訳（メタデータ） (2021-07-20T11:00:16Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - 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)
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。