論文の概要: From slides (through tiles) to pixels: an explainability framework for
weakly supervised models in pre-clinical pathology
- arxiv url: http://arxiv.org/abs/2302.01653v1
- Date: Fri, 3 Feb 2023 10:57:21 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-06 16:36:11.743663
- Title: From slides (through tiles) to pixels: an explainability framework for
weakly supervised models in pre-clinical pathology
- Title（参考訳）: スライドからピクセルへ--前臨床病理学における弱教師付きモデルのための説明可能性フレームワーク
- Authors: Marco Bertolini, Van-Khoa Le, Jake Pencharz, Andreas Poehlmann,
Djork-Arn\'e Clevert, Santiago Villalba, Floriane Montanari
- Abstract要約: 本稿では,新しいeXplainable AI(XAI)フレームワークの提案と,デジタル病理学におけるWSI(Whole Slide Images)を用いた深層学習モデルへの応用について述べる。
具体的には,スライドレベルラベルのみに基づくマルチインスタンス学習(MIL)モデルに適用する。
スライド全体の重要なタイルの説明は,正常な部位と病変の組織変化と相関するが,ヒトのアノテータのように振る舞うことはない。
- 参考スコア（独自算出の注目度）: 1.53934570513443
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In pre-clinical pathology, there is a paradox between the abundance of raw
data (whole slide images from many organs of many individual animals) and the
lack of pixel-level slide annotations done by pathologists. Due to time
constraints and requirements from regulatory authorities, diagnoses are instead
stored as slide labels. Weakly supervised training is designed to take
advantage of those data, and the trained models can be used by pathologists to
rank slides by their probability of containing a given lesion of interest. In
this work, we propose a novel contextualized eXplainable AI (XAI) framework and
its application to deep learning models trained on Whole Slide Images (WSIs) in
Digital Pathology. Specifically, we apply our methods to a
multi-instance-learning (MIL) model, which is trained solely on slide-level
labels, without the need for pixel-level annotations. We validate
quantitatively our methods by quantifying the agreements of our explanations'
heatmaps with pathologists' annotations, as well as with predictions from a
segmentation model trained on such annotations. We demonstrate the stability of
the explanations with respect to input shifts, and the fidelity with respect to
increased model performance. We quantitatively evaluate the correlation between
available pixel-wise annotations and explainability heatmaps. We show that the
explanations on important tiles of the whole slide correlate with tissue
changes between healthy regions and lesions, but do not exactly behave like a
human annotator. This result is coherent with the model training strategy.
- Abstract（参考訳）: 前臨床病理学では、生データ(多くの個々の動物の臓器のスライド画像)の豊富さと、病理学者によるピクセルレベルのスライドアノテーションの欠如の間にパラドックスがある。
時間的制約と規制当局の要求により、診断は代わりにスライドラベルとして保存される。
弱い教師付きトレーニングはこれらのデータを活用するように設計されており、トレーニングされたモデルは病理学者によって、特定の興味のある病変を含む確率でスライドのランク付けに使用できる。
本稿では,新しいコンテキスト型eXplainable AI(XAI)フレームワークの提案と,デジタル病理学におけるWSI(Whole Slide Images)を用いたディープラーニングモデルへの応用について述べる。
具体的には,スライドレベルラベルのみをベースとしたマルチインスタンス学習(MIL)モデルに,画素レベルのアノテーションを必要とせずにメソッドを適用する。
提案手法は, 病理医のアノテーションによる説明のヒートマップの一致度を定量化し, それらのアノテーションを訓練した分節モデルから予測することで, 定量的に検証する。
本研究では,入力シフトに対する説明の安定性,モデル性能の向上に対する忠実性を示す。
利用可能なピクセル単位のアノテーションと説明可能なヒートマップとの相関を定量的に評価する。
スライド全体の重要なタイルの説明は正常な部位と病変の間の組織変化と相関するが、正確には人間のアノテーションのように振る舞うわけではない。
この結果はモデルトレーニング戦略と一致している。
関連論文リスト
- Pathology-knowledge Enhanced Multi-instance Prompt Learning for Few-shot Whole Slide Image Classification [19.070685830687285]
臨床環境では、患者のプライバシ上の懸念や、稀な疾患や新興疾患の流行により、病的スライドへのアクセスが制限されることは避けられない。
本稿では,病理知識によって強化されたマルチインスタンス・プロンプト学習フレームワークを提案する。
本手法は,3つの困難な臨床課題において優れた成績を示し,比較数ショット法よりも優れていた。
論文 参考訳（メタデータ） (2024-07-15T15:31:55Z) - PRISM: A Multi-Modal Generative Foundation Model for Slide-Level Histopathology [9.556246087301883]
我々は,Virchhowタイルの埋め込みを基盤としたH&E染色組織学のスライドレベル基盤モデルPRISMを提案する。
PRISMは、臨床報告を生成する能力を持つスライドレベルの埋め込みを生成し、いくつかのモードで使用される。
テキストプロンプトを用いて、PRISMは教師付きアグリゲータモデルに近づいたゼロショットがん検出とサブタイピング性能を達成する。
論文 参考訳（メタデータ） (2024-05-16T16:59:12Z) - COIN: Counterfactual inpainting for weakly supervised semantic segmentation for medical images [3.5418498524791766]
本研究は, 新規なカウンターファクト・インパインティング・アプローチ(COIN)の開発である。
COINは、予測された分類ラベルを生成モデルを用いて異常から正常に反転させる。
本手法の有効性は,エストニアのタルツ大学病院から取得したCT画像から,合成標的と実際の腎腫瘍を分離することによって実証される。
論文 参考訳（メタデータ） (2024-04-19T12:09:49Z) - Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。
我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。
実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文 参考訳（メタデータ） (2023-12-12T14:45:45Z) - Scaling Laws of Synthetic Images for Model Training ... for Now [54.43596959598466]
本研究では, 合成画像のスケーリング法則について, テクスト・ツー・イメージ・モデルの現状から検討した。
合成画像は、CLIPトレーニングの実際の画像と似ているが、やや効果の低いスケーリング傾向を示す。
論文 参考訳（メタデータ） (2023-12-07T18:59:59Z) - SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep
Models for Kidney Stone Classification [62.403510793388705]
深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。
注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。
本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
論文 参考訳（メタデータ） (2023-03-15T01:30:48Z) - A Generalist Framework for Panoptic Segmentation of Images and Videos [61.61453194912186]
我々は,タスクの帰納バイアスに頼ることなく,離散的なデータ生成問題としてパノプティクスセグメンテーションを定式化する。
単純な構造と一般的な損失関数を持つパノスコープマスクをモデル化するための拡散モデルを提案する。
本手法は,動画を(ストリーミング環境で)モデル化し,オブジェクトのインスタンスを自動的に追跡することを学ぶ。
論文 参考訳（メタデータ） (2022-10-12T16:18:25Z) - A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole
Slide Pathological Images [4.501311544043762]
本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。
ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。
実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
論文 参考訳（メタデータ） (2022-05-05T14:20:29Z) - Going Beyond Saliency Maps: Training Deep Models to Interpret Deep
Models [16.218680291606628]
解釈性は、複雑な深層学習モデルを用いて脳障害の理解を進める上で重要な要素である。
疾患のパターンを注入または除去するために、与えられたイメージを歪めることができるシミュレーターネットワークを訓練することを提案する。
本研究は,アルツハイマー病とアルコール使用障害の影響を可視化するために,合成データセットと2つのニューロイメージングデータセットで訓練された分類器の解釈に応用する。
論文 参考訳（メタデータ） (2021-02-16T15:57:37Z) - Towards Unsupervised Learning for Instrument Segmentation in Robotic
Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。
当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。
提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
論文 参考訳（メタデータ） (2020-07-09T01:39:39Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。