論文の概要: Maximum Mean Discrepancy Kernels for Predictive and Prognostic Modeling
of Whole Slide Images
- arxiv url: http://arxiv.org/abs/2301.09624v1
- Date: Mon, 23 Jan 2023 18:47:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-24 12:38:52.470369
- Title: Maximum Mean Discrepancy Kernels for Predictive and Prognostic Modeling
of Whole Slide Images
- Title（参考訳）: 全スライド画像の予測および予測モデリングのための最大平均不一致カーネル
- Authors: Piotr Keller, Muhammad Dawood, Fayyaz ul Amir Afsar Minhas
- Abstract要約: コンピュータ病理学では、患者から採取したデジタルスキャンされた組織サンプルの全体スライド画像(WSI)は、サイズが複数ギガピクセルである。
カーネル最大化平均離散性(MMD)分析に基づく新しい戦略を,WSI間のペアの類似性を決定するために検討する。
この研究は、計算病理学における予測的および予測的タスクにWSIレベルのカーネルを適用するためのさらなる道を開くと信じている。
- 参考スコア（独自算出の注目度）: 1.418033127602866
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: How similar are two images? In computational pathology, where Whole Slide
Images (WSIs) of digitally scanned tissue samples from patients can be
multi-gigapixels in size, determination of degree of similarity between two
WSIs is a challenging task with a number of practical applications. In this
work, we explore a novel strategy based on kernelized Maximum Mean Discrepancy
(MMD) analysis for determination of pairwise similarity between WSIs. The
proposed approach works by calculating MMD between two WSIs using kernels over
deep features of image patches. This allows representation of an entire dataset
of WSIs as a kernel matrix for WSI level clustering, weakly-supervised
prediction of TP-53 mutation status in breast cancer patients from their
routine WSIs as well as survival analysis with state of the art prediction
performance. We believe that this work will open up further avenues for
application of WSI-level kernels for predictive and prognostic tasks in
computational pathology.
- Abstract（参考訳）: 2つの画像はどの程度似ていますか。
患者から採取したデジタルスキャンされた組織サンプルの全体スライド画像(WSI)が複数ギガピクセルの大きさとなる計算病理学において、2つのWSI間の類似度の決定は、多くの実用的応用において難しい課題である。
本稿では,WSI間のペアの類似性を決定するために,カーネル化された最大平均離散性(MMD)解析に基づく新しい戦略を検討する。
提案手法は,2つのWSI間のMMDを,画像パッチの深い特徴に対してカーネルを用いて計算する。
これにより、wsiのデータセット全体をwsiレベルクラスタリングのカーネルマトリックスとして表現することができ、乳癌患者の日常的なwsisからのtp-53変異状態の弱い教師付き予測と、アート予測性能の状態をサバイバル分析することができる。
この研究は、計算病理学における予測および予測タスクにwsiレベルのカーネルを応用するためのさらなる道を開くと信じている。
関連論文リスト
- PathAlign: A vision-language model for whole slide images in histopathology [13.567674461880905]
We developed a vision- language model based on the BLIP-2 framework using WSIs and curated text from pathology reports。
これにより、関心のある事例を見つけるために、テキストや画像検索などの共有画像テキスト埋め込みスペースを利用することができる。
本稿では、WSI埋め込みを用いたテキスト生成とテキスト検索の病理学評価と、WSI分類とワークフロー優先順位付けの結果について述べる。
論文 参考訳（メタデータ） (2024-06-27T23:43:36Z) - SPLICE -- Streamlining Digital Pathology Image Processing [0.7852714805965528]
画像分類・問合せのための教師なしパッチアルゴリズムSPLICE(Sequential Patching Lattice for Image Classification and Enquiry)を提案する。
SPLICEは、病理組織学的WSIをコンパクトな代表パッチセットに凝縮し、冗長性を最小化しながらWSIの"コラージュ"を形成する。
教師なしの方法として、SPLICEは組織像の保存要求を50%削減する。
論文 参考訳（メタデータ） (2024-04-26T21:30:36Z) - Adversary-Robust Graph-Based Learning of WSIs [2.9998889086656586]
全スライド画像(WSIs)は、ガラススライドに搭載された高解像度でデジタル化された組織サンプルで、高度な撮像装置を用いてスキャンされる。
WSIのディジタル分析は、ギガピクセルサイズとマルチレゾリューションストレージフォーマットのために、ユニークな課題を提示している。
我々は,WSI のグラフ表現から特徴を抽出するために GNN を利用した,斬新で革新的なグラフベースモデルを開発した。
論文 参考訳（メタデータ） (2024-03-21T15:37:37Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳（メタデータ） (2023-03-01T23:37:45Z) - Hierarchical Transformer for Survival Prediction Using Multimodality
Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。
本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。
より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文 参考訳（メタデータ） (2022-11-29T23:47:56Z) - Modality Completion via Gaussian Process Prior Variational Autoencoders
for Multi-Modal Glioma Segmentation [75.58395328700821]
本稿では,患者スキャンに欠落するサブモダリティを1つ以上のインプットするために,MGP-VAE(Multi-modal Gaussian Process Prior Variational Autoencoder)を提案する。
MGP-VAEは、変分オートエンコーダ(VAE)に先立ってガウス過程(GP)を利用して、被験者/患者およびサブモダリティ相関を利用することができる。
4つのサブモダリティのうち2つ、または3つが欠落している脳腫瘍に対するMGP-VAEの適用性を示す。
論文 参考訳（メタデータ） (2021-07-07T19:06:34Z) - Pay Attention with Focus: A Novel Learning Scheme for Classification of
Whole Slide Images [8.416553728391309]
スライド画像全体(WSI)を解析するための新しい2段階アプローチを提案する。
まず、WSIから代表パッチ(モザイクと呼ばれる)を抽出する。
モザイクの各パッチは、ディープネットワークを用いて特徴ベクトルに符号化される。
第2段階では、WSIから符号化されたパッチレベルの一連の特徴を用いて、一次診断確率を算出する。
論文 参考訳（メタデータ） (2021-06-11T21:59:02Z) - SOSD-Net: Joint Semantic Object Segmentation and Depth Estimation from
Monocular images [94.36401543589523]
これら2つのタスクの幾何学的関係を利用するための意味的対象性の概念を紹介します。
次に, 対象性仮定に基づくセマンティックオブジェクト・深さ推定ネットワーク(SOSD-Net)を提案する。
私たちの知識を最大限に活用するために、SOSD-Netは同時単眼深度推定とセマンティックセグメンテーションのためのジオメトリ制約を利用する最初のネットワークです。
論文 参考訳（メタデータ） (2021-01-19T02:41:03Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z)
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。