論文の概要: Whole-slide-imaging Cancer Metastases Detection and Localization with
Limited Tumorous Data
- arxiv url: http://arxiv.org/abs/2303.10342v1
- Date: Sat, 18 Mar 2023 06:07:10 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-21 20:06:39.983310
- Title: Whole-slide-imaging Cancer Metastases Detection and Localization with
Limited Tumorous Data
- Title（参考訳）: 腫瘍データによる全スライディング画像がんの転移と局在
- Authors: Yinsheng He and Xingyu Li
- Abstract要約: スライド画像のラベル付けがほとんどない場合,腫瘍の局所化と検出の問題に対処する。
提案手法は,パブリックなCamelyon16データセット上でのトレーニングサンプルの10%以下で同様の性能を実現する。
- 参考スコア（独自算出の注目度）: 2.715884199292287
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, various deep learning methods have shown significant successes in
medical image analysis, especially in the detection of cancer metastases in
hematoxylin and eosin (H&E) stained whole-slide images (WSIs). However, in
order to obtain good performance, these research achievements rely on hundreds
of well-annotated WSIs. In this study, we tackle the tumor localization and
detection problem under the setting of few labeled whole slide images and
introduce a patch-based analysis pipeline based on the latest reverse knowledge
distillation architecture. To address the extremely unbalanced normal and
tumorous samples in training sample collection, we applied the focal loss
formula to the representation similarity metric for model optimization.
Compared with prior arts, our method achieves similar performance by less than
ten percent of training samples on the public Camelyon16 dataset. In addition,
this is the first work that show the great potential of the knowledge
distillation models in computational histopathology.
- Abstract（参考訳）: 近年,ヘマトキシリンおよびエオシン(H&E)染色スライディング画像(WSI)の癌転移の検出において,様々な深層学習法が医療画像解析において大きな成功を収めている。
しかし、優れた性能を得るためには、これらの研究成果は何百もの注釈付きwsisに依存している。
本研究では,少数のラベル付き全画像の設定下での腫瘍の局在と検出の問題に取り組み,最新の逆知識蒸留アーキテクチャに基づくパッチベースの分析パイプラインを導入する。
トレーニングサンプル収集における極端に不均衡な正常標本と腫瘍サンプルに対処するため,モデル最適化のための表現類似度尺度に焦点損失公式を適用した。
従来の手法と比較して,本手法はパブリックなCamelyon16データセットのトレーニングサンプルの10%以下で同様の性能を実現する。
加えて、これは計算病理学における知識蒸留モデルの大きな可能性を示す最初の研究である。
関連論文リスト
- Towards a Comprehensive Benchmark for Pathological Lymph Node Metastasis in Breast Cancer Sections [21.75452517154339]
我々は1,399枚のスライド画像(WSI)と、Camelyon-16とCamelyon-17データセットのラベルを再処理した。
再発腫瘍領域の大きさから,2重複癌検診を4段階に改善した。
論文 参考訳（メタデータ） (2024-11-16T09:19:24Z) - Evaluating the plausibility of synthetic images for improving automated endoscopic stone recognition [0.9480662172227129]
現在、Morpho-Constitutional Analysis (MCA) は腎臓結石の組織学的診断における事実上のアプローチである。
近年では、内視鏡的石盤認識(ESR)と呼ばれる、そのようなタスクを術中実行することに焦点を当てている。
論文 参考訳（メタデータ） (2024-09-20T11:19:08Z) - Rapid hyperspectral photothermal mid-infrared spectroscopic imaging from
sparse data for gynecologic cancer tissue subtyping [3.550171634694342]
ミドル赤外線(Mid-Infrared、MIR)は、ラベルなし、生化学的に定量的な技術である。
この研究は、MIR光熱画像への新しいアプローチを示し、その速度を桁違いに向上させる。
論文 参考訳（メタデータ） (2024-02-28T00:57:35Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳（メタデータ） (2023-04-19T09:52:50Z) - 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) - Orientation-Shared Convolution Representation for CT Metal Artifact
Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。
既存のディープラーニングベースの手法は、有望な再構築性能を得た。
本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文 参考訳（メタデータ） (2022-12-26T13:56:12Z) - Automated Segmentation of Computed Tomography Images with Submanifold
Sparse Convolutional Networks [2.064612766965483]
ダウンサンプリングの代替として,入力画像とサブマニフォールドスパース畳み込みネットワークのスペース化プロセスを提案する。
概念実証として,本手法を腎癌患者のCT画像に応用した。
論文 参考訳（メタデータ） (2022-12-06T09:47:52Z) - 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) - RGMIM: Region-Guided Masked Image Modeling for Learning Meaningful Representations from X-Ray Images [49.24576562557866]
X線画像から意味のある表現を学習するための領域誘導マスク画像モデリング(RGMIM)を提案する。
RGMIMは、トレーニングセットの5%や10%といった小さなデータボリュームのパフォーマンスを、他の方法と比較して大幅に改善した。
論文 参考訳（メタデータ） (2022-11-01T07:41:03Z) - Incremental Cross-view Mutual Distillation for Self-supervised Medical
CT Synthesis [88.39466012709205]
本稿では,スライス間の分解能を高めるために,新しい医療スライスを構築した。
臨床実践において, 根本・中間医療スライスは常に欠落していることを考慮し, 相互蒸留の段階的相互蒸留戦略を導入する。
提案手法は,最先端のアルゴリズムよりも明確なマージンで優れる。
論文 参考訳（メタデータ） (2021-12-20T03:38:37Z) - Improved Slice-wise Tumour Detection in Brain MRIs by Computing
Dissimilarities between Latent Representations [68.8204255655161]
磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。
本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。
本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
論文 参考訳（メタデータ） (2020-07-24T14:02:09Z)
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。