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
- 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) - Mediastinal Lymph Node Detection and Segmentation Using Deep Learning [1.7188280334580195]
臨床ではCT(Computed tomography)とPET(positron emission tomography)が異常リンパ節(LN)を検出する
深層畳み込みニューラルネットワークは、しばしば医療写真にアイテムを分割する。
良質な深層学習手法であるUNetは、縦隔リンパ節の分節と検出のための戦略に基づいて、双線形および全一般化変異(TGV)を用いて修正された。
修正されたUNetはテクスチャの不連続を維持し、ノイズの多い領域を選択し、バックプロパゲーションを通じて適切なバランスポイントを検索し、画像の解像度を再現する。
論文 参考訳(メタデータ) (2022-11-24T02:55:20Z) - 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) - Open-Set Recognition of Breast Cancer Treatments [91.3247063132127]
オープンセット認識は、テストサンプルをトレーニングや"未知"から既知のクラスの1つに分類することで、分類タスクを一般化する
乳がん患者データに対して,画像データセットの最先端結果を実現するガウス混合変分オートエンコーダモデルを適用した。
より正確でロバストな分類結果が得られ,F1の平均値が24.5%上昇したばかりでなく,臨床環境への展開性の観点からも,オープンセット認識の再検討を行った。
論文 参考訳(メタデータ) (2022-01-09T04:35:55Z) - 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) - Pulmonary embolism identification in computerized tomography pulmonary
angiography scans with deep learning technologies in COVID-19 patients [0.65756807269289]
本稿では,A-Scans画像における肺塞栓症同定のための最も正確かつ高速な深層学習モデルについて紹介する。
本研究では,肺塞栓症の診断精度を向上させるために,分類モデルと対象検出モデルを組み合わせた高速トラックソリューション(システム)を提案する。
論文 参考訳(メタデータ) (2021-05-24T10:23:21Z) - 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。