Fugu-MT 論文翻訳(概要): Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning

論文の概要: Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning

arxiv url: http://arxiv.org/abs/2303.01342v1
Date: Thu, 2 Mar 2023 15:18:58 GMT
ステータス: 処理完了
システム内更新日: 2023-03-03 13:54:20.216198
Title: Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning
Title（参考訳）: 能動学習は注意に基づく複数インスタンス学習による病理組織像全体の分類を促進する
Authors: Ario Sadafi, Nassir Navab, Carsten Marr
Abstract要約: 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。
参考スコア（独自算出の注目度）: 48.02011627390706
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In many histopathology tasks, sample classification depends on morphological details in tissue or single cells that are only visible at the highest magnification. For a pathologist, this implies tedious zooming in and out, while for a computational decision support algorithm, it leads to the analysis of a huge number of small image patches per whole slide image (WSI). Attention-based multiple instance learning (MIL), where attention estimation is learned in a weakly supervised manner, has been successfully applied in computational histopathology, but it is challenged by large numbers of irrelevant patches, reducing its accuracy. Here, we present an active learning approach to the problem. Querying the expert to annotate regions of interest in a WSI guides the formation of high-attention regions for MIL. We train an attention-based MIL and calculate a confidence metric for every image in the dataset to select the most uncertain WSIs for expert annotation. We test our approach on the CAMELYON17 dataset classifying metastatic lymph node sections in breast cancer. With a novel attention guiding loss, this leads to an accuracy boost of the trained models with few regions annotated for each class. Active learning thus improves WSIs classification accuracy, leads to faster and more robust convergence, and speeds up the annotation process. It may in the future serve as an important contribution to train MIL models in the clinically relevant context of cancer classification in histopathology.
Abstract（参考訳）: 多くの病理組織学的課題において、標本分類は、最大倍率でのみ見える組織または単細胞の形態的詳細に依存する。病理学者にとっては、これは面倒なズームインとアウトを意味し、一方、計算決定支援アルゴリズムでは、スライド画像全体(WSI)あたりの多数の小さな画像パッチの分析につながる。注意に基づく多重インスタンス学習 (mil) は, 注意度推定を弱い教師付きで学習するが, 計算病理学ではうまく適用できたが, 多数の無関係パッチに挑戦され, 精度が低下している。本稿では,この問題に対するアクティブラーニング手法を提案する。 WSI に関心のある領域をアノテートするよう専門家に問い合わせると、MIL の高アテンション領域の形成が導かれる。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。 CAMELYON17データセットを用いて乳癌転移リンパ節領域の分類を行った。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モデルの精度が向上する。したがって、アクティブな学習はWSIの分類精度を改善し、より速くより堅牢な収束をもたらし、アノテーションのプロセスを高速化します。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。

関連論文リスト

Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
論文参考訳（メタデータ） (2024-08-18T12:15:22Z)
Cross-attention-based saliency inference for predicting cancer metastasis on whole slide images [3.7282630026096597]
乳がんリンパ節の微小転移を全スライド画像上で同定するために, クロスアテンションに基づく静注型インスタンス推定MIL (CASiiMIL) を提案する。陰性表現学習アルゴリズムを導入し,腫瘍WSIに対する感度を向上させるために,有意な注意重み付けの学習を容易にする。提案モデルでは, 2つの腫瘍転移検出データセットに対して, 最先端のMIL法より優れていた。
論文参考訳（メタデータ） (2023-09-18T00:56:19Z)
Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
論文参考訳（メタデータ） (2023-06-07T20:23:05Z)
Dual Attention Model with Reinforcement Learning for Classification of Histology Whole-Slide Images [8.404881822414898]
デジタル全スライド画像(WSI)は一般に顕微鏡分解能で撮影され、広い空間データを包含する。本稿では,病理医の視覚検査に触発された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。提案手法は,WSIの10%未満を高い倍率で処理しながら,最先端の手法に匹敵する性能を実現する。
論文参考訳（メタデータ） (2023-02-19T22:26:25Z)
Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文参考訳（メタデータ） (2022-03-25T19:05:06Z)
Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文参考訳（メタデータ） (2021-09-22T15:06:06Z)
Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
論文参考訳（メタデータ） (2021-09-10T13:07:11Z)
Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文参考訳（メタデータ） (2020-12-10T04:01:07Z)
Whole Slide Images based Cancer Survival Prediction using Attention Guided Deep Multiple Instance Learning Networks [38.39901070720532]
Whole Slide Images(WSIs)から派生したキーパッチやクラスタに制限される現在の画像ベースサバイバルモデル我々は,シムMI-FCNとアテンションベースMILプーリングの両方を導入して,Deep Attention Multiple Instance Survival Learning (DeepAttnMISL)を提案する。提案手法を2つの大きな癌全スライド画像データセットで評価した結果,提案手法がより効果的で,大規模データセットに適していることが示唆された。
論文参考訳（メタデータ） (2020-09-23T14:31:15Z)
Breast Cancer Histopathology Image Classification and Localization using Multiple Instance Learning [2.4178424543973267]
診断のための顕微鏡組織像を解析するためのコンピュータ支援病理学は、診断のコストと遅延をもたらす可能性がある。病理学における深層学習は、分類とローカライゼーションのタスクにおいて最先端のパフォーマンスを達成した過去10年間に注目されている。本稿では,BreakHISとBACHの2つのデータセットの分類とローカライゼーション結果について述べる。
論文参考訳（メタデータ） (2020-02-16T10:29:16Z)

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。