論文の概要: Multi-Scale Relational Graph Convolutional Network for Multiple Instance
Learning in Histopathology Images
- arxiv url: http://arxiv.org/abs/2212.08781v2
- Date: Fri, 18 Aug 2023 21:44:59 GMT
- ステータス: 処理完了
- システム内更新日: 2023-08-23 02:05:12.353622
- Title: Multi-Scale Relational Graph Convolutional Network for Multiple Instance
Learning in Histopathology Images
- Title（参考訳）: 病理画像における複数インスタンス学習のためのマルチスケール関係グラフ畳み込みネットワーク
- Authors: Roozbeh Bazargani, Ladan Fazli, Larry Goldenberg, Martin Gleave, Ali
Bashashati, Septimiu Salcudean
- Abstract要約: マルチスケールグラフ畳み込みネットワーク(MS-RGCN)をマルチラーニング手法として導入する。
病理組織像パッチと近隣のパッチと他のスケールのパッチとの関係をグラフとしてモデル化する。
前立腺癌の病理組織像を実験的に検討し,パッチから抽出した特徴に基づいて拡大群を予測した。
- 参考スコア（独自算出の注目度）: 2.6663738081163726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Graph convolutional neural networks have shown significant potential in
natural and histopathology images. However, their use has only been studied in
a single magnification or multi-magnification with late fusion. In order to
leverage the multi-magnification information and early fusion with graph
convolutional networks, we handle different embedding spaces at each
magnification by introducing the Multi-Scale Relational Graph Convolutional
Network (MS-RGCN) as a multiple instance learning method. We model
histopathology image patches and their relation with neighboring patches and
patches at other scales (i.e., magnifications) as a graph. To pass the
information between different magnification embedding spaces, we define
separate message-passing neural networks based on the node and edge type. We
experiment on prostate cancer histopathology images to predict the grade groups
based on the extracted features from patches. We also compare our MS-RGCN with
multiple state-of-the-art methods with evaluations on several source and
held-out datasets. Our method outperforms the state-of-the-art on all of the
datasets and image types consisting of tissue microarrays, whole-mount slide
regions, and whole-slide images. Through an ablation study, we test and show
the value of the pertinent design features of the MS-RGCN.
- Abstract（参考訳）: グラフ畳み込みニューラルネットワークは、自然および病理像に有意な可能性を示している。
しかし、それらの用途は単一の倍率または後期融合による多重化でのみ研究されている。
マルチスケールグラフ畳み込みネットワーク(Multi-Scale Relational Graph Convolutional Network, MS-RGCN)を複数インスタンス学習手法として導入することにより, グラフ畳み込みネットワークと早期融合する。
病理組織学的画像パッチとその隣り合うパッチやパッチとの関係をグラフとしてモデル化する。
異なる拡大埋め込み空間間で情報を渡すために、ノードとエッジタイプに基づいて別々のメッセージパッシングニューラルネットワークを定義する。
前立腺癌病理像を用いて,パッチから抽出した特徴に基づいて分類群を予測する。
また、MS-RGCNと複数の最先端手法を比較し、複数のソースおよびホールドアウトデータセットの評価を行った。
本手法は,組織マイクロアレイ,全山スライド領域,全スライド画像からなる,全データセットと画像タイプにおいて最先端を上回っている。
アブレーション研究を通じて,MS-RGCNの関連する設計特徴を検証し,その価値を示す。
関連論文リスト
- GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based
Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。
本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-01-17T13:04:23Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2024-01-05T19:45:12Z) - Convolutional neural network based on sparse graph attention mechanism
for MRI super-resolution [0.34410212782758043]
深層学習技術を用いた医用画像超解像(SR)再構成は、病変解析を強化し、診断効率と精度を向上させるために医師を支援する。
既存のディープラーニングベースのSR手法は、これらのモデルの表現能力を本質的に制限する畳み込みニューラルネットワーク(CNN)に依存している。
画像特徴抽出に複数の畳み込み演算子特徴抽出モジュール(MCO)を用いるAネットワークを提案する。
論文 参考訳（メタデータ） (2023-05-29T06:14:22Z) - Attributed Multi-order Graph Convolutional Network for Heterogeneous
Graphs [29.618952407794783]
AMOGCN(AnAttributed Multi-Order Graph Convolutional Network)を提案する。
AMOGCNは最先端の競合に比べて優れた半教師付き分類性能を得る。
論文 参考訳（メタデータ） (2023-04-13T08:31:16Z) - Convolutional Learning on Multigraphs [153.20329791008095]
我々は、多グラフ上の畳み込み情報処理を開発し、畳み込み多グラフニューラルネットワーク(MGNN)を導入する。
情報拡散の複雑なダイナミクスを多グラフのエッジのクラス間で捉えるために、畳み込み信号処理モデルを定式化する。
我々は,計算複雑性を低減するため,サンプリング手順を含むマルチグラフ学習アーキテクチャを開発した。
導入されたアーキテクチャは、最適な無線リソース割り当てとヘイトスピーチローカライゼーションタスクに適用され、従来のグラフニューラルネットワークよりも優れたパフォーマンスを提供する。
論文 参考訳（メタデータ） (2022-09-23T00:33:04Z) - How GNNs Facilitate CNNs in Mining Geometric Information from
Large-Scale Medical Images [2.2699159408903484]
畳み込みニューラルネットワーク(CNN)が捉えたグローバルな画像レベルの表現を強化するための融合フレームワークを提案する。
大腸癌と胃癌の大規模なコホートから得られた組織学的データセットの融合戦略について検討した。
論文 参考訳（メタデータ） (2022-06-15T15:27:48Z) - Two-Stream Graph Convolutional Network for Intra-oral Scanner Image
Segmentation [133.02190910009384]
本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。
TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
論文 参考訳（メタデータ） (2022-04-19T10:41:09Z) - SHGNN: Structure-Aware Heterogeneous Graph Neural Network [77.78459918119536]
本稿では、上記の制約に対処する構造対応不均一グラフニューラルネットワーク(SHGNN)を提案する。
まず,メタパス内の中間ノードの局所構造情報を取得するために,特徴伝搬モジュールを利用する。
次に、ツリーアテンションアグリゲータを使用して、グラフ構造情報をメタパス上のアグリゲーションモジュールに組み込む。
最後に、メタパスアグリゲータを利用して、異なるメタパスから集約された情報を融合する。
論文 参考訳（メタデータ） (2021-12-12T14:18:18Z) - Automatic Semantic Segmentation of the Lumbar Spine. Clinical
Applicability in a Multi-parametric and Multi-centre MRI study [0.0]
この文書は、最も正確なセグメンテーションを得たニューラルネットワークの設計結果について記述し、分析する。
提案するいくつかの設計は、ベースラインとして使用される標準のU-Netよりも優れており、特に複数のニューラルネットワークの出力が異なる戦略に従って結合されるアンサンブルで使用される場合である。
論文 参考訳（メタデータ） (2021-11-16T17:33:05Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z)
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。