論文の概要: HistoPerm: A Permutation-Based View Generation Approach for Improving
Histopathologic Feature Representation Learning
- arxiv url: http://arxiv.org/abs/2209.06185v2
- Date: Wed, 5 Apr 2023 21:33:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-07 18:02:59.154387
- Title: HistoPerm: A Permutation-Based View Generation Approach for Improving
Histopathologic Feature Representation Learning
- Title（参考訳）: HistoPerm: 組織学的特徴表現学習を改善するための置換型ビュージェネレーションアプローチ
- Authors: Joseph DiPalma, Lorenzo Torresani, Saeed Hassanpour
- Abstract要約: HistoPermは共同埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法である。
HistoPermは、全スライディングのヒストロジー画像から抽出したパッチの増分ビューを置換し、分類性能を向上させる。
以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
- 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: Deep learning has been effective for histology image analysis in digital
pathology. However, many current deep learning approaches require large,
strongly- or weakly-labeled images and regions of interest, which can be
time-consuming and resource-intensive to obtain. To address this challenge, we
present HistoPerm, a view generation method for representation learning using
joint embedding architectures that enhances representation learning for
histology images. HistoPerm permutes augmented views of patches extracted from
whole-slide histology images to improve classification performance. We
evaluated the effectiveness of HistoPerm on two histology image datasets for
Celiac disease and Renal Cell Carcinoma, using three widely used joint
embedding architecture-based representation learning methods: BYOL, SimCLR, and
VICReg. Our results show that HistoPerm consistently improves patch- and
slide-level classification performance in terms of accuracy, F1-score, and AUC.
Specifically, for patch-level classification accuracy on the Celiac disease
dataset, HistoPerm boosts BYOL and VICReg by 8% and SimCLR by 3%. On the Renal
Cell Carcinoma dataset, patch-level classification accuracy is increased by 2%
for BYOL and VICReg, and by 1% for SimCLR. In addition, on the Celiac disease
dataset, models with HistoPerm outperform the fully-supervised baseline model
by 6%, 5%, and 2% for BYOL, SimCLR, and VICReg, respectively. For the Renal
Cell Carcinoma dataset, HistoPerm lowers the classification accuracy gap for
the models up to 10% relative to the fully-supervised baseline. These findings
suggest that HistoPerm can be a valuable tool for improving representation
learning of histopathology features when access to labeled data is limited and
can lead to whole-slide classification results that are comparable to or
superior to fully-supervised methods.
- Abstract（参考訳）: 深層学習はデジタル病理の組織像解析に有効である。
しかし、現在のディープラーニングアプローチの多くは、大きく、強く、あるいは弱いラベル付けされた画像と興味のある領域を必要とする。
そこで本稿では,ヒストロジー画像の表現学習を強化するジョイント埋め込みアーキテクチャを用いた表現学習のためのビュー生成手法であるhistopermを提案する。
ヒストペルムは全スリッド組織画像から抽出されたパッチのさらなるビューを置換し、分類性能を向上させる。
我々は,BYOL,SimCLR,VICRegの3つの共同埋め込み型表現学習法を用いて,Celiac病と腎細胞癌の2つの組織像データセットに対するHistoPermの有効性を検討した。
以上の結果から,HistoPermは,精度,F1スコア,AUCの点で,パッチレベルとスライドレベルの分類性能を一貫して向上させることがわかった。
具体的には、Celiac病データセットのパッチレベルの分類精度のために、HistoPermはBYOLとVICRegを8%、SimCLRを3%向上させる。
腎細胞癌データセットでは,BYOLおよびVICRegではパッチレベルの分類精度が2%,SimCLRでは1%向上した。
さらに、Celiac病データセットでは、HistoPermを用いたモデルは、BYOL、SimCLR、VICRegでそれぞれ6%、5%、2%の教師付きベースラインモデルを上回っている。
腎細胞癌データセットでは、HistoPermは、完全に教師されたベースラインと比較して、モデルの分類精度ギャップを最大10%下げる。
これらの結果は,ラベル付きデータへのアクセスが制限された場合の病理組織学的特徴の表現学習を改善する上で,ヒストペルムが有用であることを示唆している。
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。