論文の概要: Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer

• arxiv url: http://arxiv.org/abs/2301.02933v1
• Date: Sat, 7 Jan 2023 20:38:36 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-10 17:00:45.248358
• Title: Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer
• Title（参考訳）: 前立腺癌における関節すべり分別と分類
• Authors: Pushpak Pati, Guillaume Jaume, Zeineb Ayadi, Kevin Thandiackal, Behzad Bozorgtabar, Maria Gabrani, Orcun Goksel
• Abstract要約: WholeSIGHTは、Whole-Slide画像の分類と分類を行う弱い教師付き手法である。 前立腺癌3例のWSIデータセットを用いてWholeSIGHTを評価した。
• 参考スコア（独自算出の注目度）: 8.790852468118208
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: The segmentation and automatic identification of histological regions of diagnostic interest offer a valuable aid to pathologists. However, segmentation methods are hampered by the difficulty of obtaining pixel-level annotations, which are tedious and expensive to obtain for Whole-Slide images (WSI). To remedy this, weakly supervised methods have been developed to exploit the annotations directly available at the image level. However, to our knowledge, none of these techniques is adapted to deal with WSIs. In this paper, we propose WholeSIGHT, a weakly-supervised method, to simultaneously segment and classify WSIs of arbitrary shapes and sizes. Formally, WholeSIGHT first constructs a tissue-graph representation of the WSI, where the nodes and edges depict tissue regions and their interactions, respectively. During training, a graph classification head classifies the WSI and produces node-level pseudo labels via post-hoc feature attribution. These pseudo labels are then used to train a node classification head for WSI segmentation. During testing, both heads simultaneously render class prediction and segmentation for an input WSI. We evaluated WholeSIGHT on three public prostate cancer WSI datasets. Our method achieved state-of-the-art weakly-supervised segmentation performance on all datasets while resulting in better or comparable classification with respect to state-of-the-art weakly-supervised WSI classification methods. Additionally, we quantify the generalization capability of our method in terms of segmentation and classification performance, uncertainty estimation, and model calibration.
• Abstract（参考訳）: 診断対象の組織学的領域のセグメンテーションと自動同定は、病理学者にとって貴重な助けとなる。 しかし,WSI(Whole-Slide Image)では,ピクセルレベルのアノテーションの取得が困難であることから,セグメンテーションの手法が妨げられている。 これを解決するために、画像レベルで利用できるアノテーションを利用する弱教師付き手法が開発されている。 しかしながら、我々の知る限り、これらの技術はwsisに対応していない。 本稿では,任意の形状と大きさのwsisを同時に分割分類する,弱教師付き手法であるwholesightを提案する。 正式には、wholesightはまずwsiの組織グラフ表現を構築し、そこでは各ノードとエッジがそれぞれ組織領域とその相互作用を描写する。 トレーニング中、グラフ分類ヘッドはWSIを分類し、ポストホック特徴属性を介してノードレベルの擬似ラベルを生成する。 これらの擬似ラベルは、wsiセグメンテーションのためのノード分類ヘッドを訓練するために使用される。 テスト中、両方のヘッドは入力WSIのクラス予測とセグメンテーションを同時にレンダリングする。 前立腺癌3例を対象にWholeSIGHTの評価を行った。 本手法は,全データセットにおける最先端の弱教師付きセグメンテーション性能を実現し,最先端の弱教師付きwsi分類法に対して,同等の分類を行った。 さらに,セグメンテーションと分類性能,不確実性推定,モデルキャリブレーションの観点から,本手法の一般化能力を定量化する。

関連論文リスト

• TagCLIP: A Local-to-Global Framework to Enhance Open-Vocabulary Multi-Label Classification of CLIP Without Training [29.431698321195814]
  Contrastive Language-Image Pre-Training (CLIP) はオープン語彙分類において顕著な能力を示した。 CLIPは、グローバル機能が最も顕著なクラスに支配される傾向があるため、マルチラベルデータセットのパフォーマンスが低い。 画像タグを得るための局所言語フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-12-20T08:15:40Z)
• Progressive Feature Self-reinforcement for Weakly Supervised Semantic Segmentation [55.69128107473125]
  Weakly Supervised Semantic (WSSS) のイメージレベルラベルを用いたシングルステージアプローチを提案する。 我々は、画像内容が決定論的領域(例えば、自信ある前景と背景)と不確実領域(例えば、オブジェクト境界と誤分類されたカテゴリ)に適応的に分割して、別々の処理を行う。 そこで我々は,これらの自信のある領域と同一のクラスラベルを持つ拡張画像とのセマンティック一貫性を制約する補完的な自己強調手法を提案する。
  論文  参考訳（メタデータ） (2023-12-14T13:21:52Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• 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)
• Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
  本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。 我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
  論文  参考訳（メタデータ） (2022-07-04T07:05:06Z)
• Kernel Attention Transformer (KAT) for Histopathology Whole Slide Image Classification [15.49319477737895]
  病理組織学的WSI分類のためのカーネルアテンショントランスフォーマー(KAT)を提案する。 提案したKATは、WSIの局所領域の階層的コンテキスト情報をよりよく記述することができる。 病理組織学的WSI分類の課題において,提案したKATが有効かつ効果的であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-06-27T10:00:12Z)
• 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)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Learning Whole-Slide Segmentation from Inexact and Incomplete Labels using Tissue Graphs [11.315178576537768]
  グラフを用いた弱教師付きセマンティックセグメンテーション手法であるSegGiniを提案する。 SegGiniセグメントは、組織マイクロアレイ(TMA)から全スライド画像(WSI)まで、任意かつ大規模な画像です。
  論文  参考訳（メタデータ） (2021-03-04T16:04:24Z)
• SegGroup: Seg-Level Supervision for 3D Instance and Semantic Segmentation [88.22349093672975]
  アノテーションの場所を示すためにインスタンス毎に1つのポイントをクリックするだけでよい、弱い教師付きポイントクラウドセグメンテーションアルゴリズムを設計します。 事前処理のオーバーセグメンテーションにより、これらの位置アノテーションをセグレベルのラベルとしてセグメントに拡張する。 seg-level supervised method (SegGroup) は、完全注釈付きポイントレベルのsupervised method で比較結果が得られることを示した。
  論文  参考訳（メタデータ） (2020-12-18T13:23:34Z)
• Brain Stroke Lesion Segmentation Using Consistent Perception Generative Adversarial Network [22.444373004248217]
  半教師型脳卒中病変分類において, CPGAN(Consistent Perception Generative Adversarial Network)を提案する。 類似接続モジュール (SCM) は、マルチスケール機能の情報をキャプチャするように設計されている。 識別者が有意義な特徴表現を学習するように促すために、補助ネットワークを構築する。
  論文  参考訳（メタデータ） (2020-08-30T07:42:47Z)

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。