論文の概要: Mimicking a Pathologist: Dual Attention Model for Scoring of Gigapixel
Histology Images
- arxiv url: http://arxiv.org/abs/2302.09682v1
- Date: Sun, 19 Feb 2023 22:26:25 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-21 17:15:51.737936
- Title: Mimicking a Pathologist: Dual Attention Model for Scoring of Gigapixel
Histology Images
- Title(参考訳): 病理学者を模倣する:2重注意モデルによるgigapixel histology画像のスコア付け
- Authors: Manahil Raza, Ruqayya Awan, Raja Muhammad Saad Bashir, Talha Qaiser,
Nasir M. Rajpoot
- Abstract要約: 病理医による視覚検査を模倣する2つの主成分からなる新しい二重注意アプローチを提案する。
乳がんのHER2予測と,大腸癌に対する2つのMMRバイオマーカーのIntact/Loss像の予測の2つの異なるIHC症例に提案したモデルを応用した。
- 参考スコア(独自算出の注目度): 12.53157021039492
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Some major challenges associated with the automated processing of whole slide
images (WSIs) includes their sheer size, different magnification levels and
high resolution. Utilizing these images directly in AI frameworks is
computationally expensive due to memory constraints, while downsampling WSIs
incurs information loss and splitting WSIs into tiles and patches results in
loss of important contextual information. We propose a novel dual attention
approach, consisting of two main components, to mimic visual examination by a
pathologist. The first component is a soft attention model which takes as input
a high-level view of the WSI to determine various regions of interest. We
employ a custom sampling method to extract diverse and spatially distinct image
tiles from selected high attention areas. The second component is a hard
attention classification model, which further extracts a sequence of
multi-resolution glimpses from each tile for classification. Since hard
attention is non-differentiable, we train this component using reinforcement
learning and predict the location of glimpses without processing all patches of
a given tile, thereby aligning with pathologist's way of diagnosis. We train
our components both separately and in an end-to-end fashion using a joint loss
function to demonstrate the efficacy of our proposed model. We employ our
proposed model on two different IHC use cases: HER2 prediction on breast cancer
and prediction of Intact/Loss status of two MMR biomarkers, for colorectal
cancer. We show that the proposed model achieves accuracy comparable to
state-of-the-art methods while only processing a small fraction of the WSI at
highest magnification.
- Abstract(参考訳): スライド画像全体(WSI)の自動処理に関わるいくつかの大きな課題は、そのシャーサイズ、倍率レベルの違い、高解像度である。
これらのイメージをAIフレームワークに直接使用することは、メモリ制約のために計算コストが高く、WSIのダウンサンプリングは情報損失を引き起こし、WSIをタイルに分割し、パッチは重要なコンテキスト情報の損失をもたらす。
病理医による視覚検査を模倣する2つの主成分からなる新しい二重注意アプローチを提案する。
第1のコンポーネントは、WSIの高レベルなビューを入力として、様々な関心領域を決定するソフトアテンションモデルである。
選択された高注意領域から多様で空間的に異なる画像タイルを抽出するために,独自のサンプリング手法を用いる。
第2のコンポーネントはハードアテンション分類モデルであり、分類のために各タイルから多重解像度の視線列を抽出する。
注意は区別できないため、強化学習を用いてこの成分を訓練し、与えられたタイルのパッチを全て処理することなく視線の位置を予測し、病理医の診断方法と整合する。
提案モデルの有効性を実証するために,共同損失関数を用いて,コンポーネントを個別かつエンドツーエンドにトレーニングする。
乳がんのHER2予測と,大腸癌に対する2つのMMRバイオマーカーのIntact/Loss像の予測の2つの異なるIHC症例に提案したモデルを応用した。
提案手法は,WSIのごく一部を高い倍率で処理しながら,最先端の手法に匹敵する精度が得られることを示す。
関連論文リスト
- Dual-scale Enhanced and Cross-generative Consistency Learning for
Semi-supervised Polyp Segmentation [52.06525450636897]
大腸癌の早期診断と治療において, 自動ポリープセグメンテーションが重要な役割を担っている。
既存の手法は、完全に教師されたトレーニングに大きく依存しており、大量のラベル付きデータと時間を要するピクセル単位のアノテーションを必要とする。
大腸内視鏡画像からの半教師付きポリープ(DEC-Seg)のための新しいDual-scale Enhanced and Cross-generative consistency learningフレームワークを提案する。
論文 参考訳(メタデータ) (2023-12-26T12:56:31Z) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳(メタデータ) (2023-07-12T16:14:23Z) - 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) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - 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) - Hard Exudate Segmentation Supplemented by Super-Resolution with
Multi-scale Attention Fusion Module [14.021944194533644]
硬外用量(HE)は網膜浮腫の最も特異的なバイオマーカーである。
本稿では,SS-MAFと呼ばれる高分解能部分分割手法を提案する。
我々はIDRiDとE-Ophthaの2つのパブリック病変データセットについて検討した。
論文 参考訳(メタデータ) (2022-11-17T08:25:04Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳(メタデータ) (2022-05-06T08:37:02Z) - 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) - An End-to-End Breast Tumour Classification Model Using Context-Based
Patch Modelling- A BiLSTM Approach for Image Classification [19.594639581421422]
我々は, この関係を, 特定の腫瘍領域から抽出したパッチ間の特徴に基づく相関関係と統合しようと試みている。
我々は、顕微鏡画像とWSI腫瘍領域の2つのデータセットでモデルをトレーニングし、テストした。
CNN機能付きBiLSTMは、パッチをエンドツーエンドの画像分類ネットワークにモデル化する上で、はるかに優れた性能を示した。
論文 参考訳(メタデータ) (2021-06-05T10:43:58Z) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳(メタデータ) (2020-10-06T15:29:58Z)
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。