論文の概要: Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles

• arxiv url: http://arxiv.org/abs/2303.16533v1
• Date: Wed, 29 Mar 2023 08:41:22 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-30 15:27:57.676675
• Title: Robust Tumor Detection from Coarse Annotations via Multi-Magnification Ensembles
• Title（参考訳）: マルチマグニフィケーションアンサンブルによる粗アノテーションによるロバスト腫瘍検出
• Authors: Mehdi Naouar, Gabriel Kalweit, Ignacio Mastroleo, Philipp Poxleitner, Marc Metzger, Joschka Boedecker, Maria Kalweit
• Abstract要約: 乳癌患者のセンチネルリンパ節のオープンなCAMELYON16データセットにおいて,転移の検出精度を大幅に向上する新しいアンサンブル法を提案する。 臨床的に癌診断に有用であることを示すため,本法により良好な結果が得られた。
• 参考スコア（独自算出の注目度）: 11.070094685209598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cancer detection and classification from gigapixel whole slide images of stained tissue specimens has recently experienced enormous progress in computational histopathology. The limitation of available pixel-wise annotated scans shifted the focus from tumor localization to global slide-level classification on the basis of (weakly-supervised) multiple-instance learning despite the clinical importance of local cancer detection. However, the worse performance of these techniques in comparison to fully supervised methods has limited their usage until now for diagnostic interventions in domains of life-threatening diseases such as cancer. In this work, we put the focus back on tumor localization in form of a patch-level classification task and take up the setting of so-called coarse annotations, which provide greater training supervision while remaining feasible from a clinical standpoint. To this end, we present a novel ensemble method that not only significantly improves the detection accuracy of metastasis on the open CAMELYON16 data set of sentinel lymph nodes of breast cancer patients, but also considerably increases its robustness against noise while training on coarse annotations. Our experiments show that better results can be achieved with our technique making it clinically feasible to use for cancer diagnosis and opening a new avenue for translational and clinical research.
• Abstract（参考訳）: 染色組織標本のギガピクセル全スライド画像からの癌検出と分類は、近年、計算病理学において大きな進歩を遂げている。 腫瘍の局所化から,局所がん検出の臨床的重要性にもかかわらず,利用可能な画素単位のアノテートスキャンの限界は,多点学習に基づくグローバルスライドレベル分類へと焦点を移した。 しかし、完全に監督された方法と比較して、これらの手法の悪い性能は、がんのような生命を脅かす疾患の領域における診断的介入のために、これまでの使用を制限している。 本研究は,パッチレベルの分類タスクとして腫瘍の局所化に焦点を合わせ,いわゆる粗いアノテーションの設定を行い,臨床的な見地から可能でありながら,さらなる訓練監督を提供する。 そこで本研究では,乳がん患者のセンチネルリンパ節のオープンなCAMELYON16データセットの転移検出精度を向上するだけでなく,粗いアノテーションをトレーニングしながら,その雑音に対する堅牢性を大幅に向上させる新しいアンサンブル法を提案する。 以上の結果から, 癌診断や翻訳・臨床研究への新たな道を開くために, 臨床的に有用となる技術により, よりよい結果が得られた。

関連論文リスト

• Renal Cell Carcinoma subtyping: learning from multi-resolution localization [1.5728609542259502]
  本研究では,機械学習診断ツールの自己指導型学習戦略について検討する。 ツールの精度を大幅に低下させることなく、アノテーション付きデータセットの必要性を減らすことを目指している。 腎癌サブタイプのためのスライド画像データセット全体に対して,本ツールの分類能力を実証し,本ソリューションを最先端の分類手法と比較した。
  論文  参考訳（メタデータ） (2024-11-14T14:21:49Z)
• Pancreatic Tumor Segmentation as Anomaly Detection in CT Images Using Denoising Diffusion Models [4.931603088067152]
  本研究は, 膵腫瘍検出に対する新しいアプローチとして, デノナイズ拡散法を用いて, 弱い監督異常検出を応用した手法を提案する。 本手法は, 複雑なトレーニングプロトコルやセグメンテーションマスクを必要とせずに, 画像のシームレスな翻訳を可能にする。 本研究は, 膵癌の生存率の低さを認識し, 医療セグメント化作業における拡散モデルの効率を活用するための継続的な研究の必要性を強調した。
  論文  参考訳（メタデータ） (2024-06-04T16:38:11Z)
• Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
  本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。 本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
  論文  参考訳（メタデータ） (2024-05-23T07:03:38Z)
• Machine-Learning-based Colorectal Tissue Classification via Acoustic Resolution Photoacoustic Microscopy [3.916910844026426]
  大腸内視鏡では、がんによって影響を受ける組織の内部に詳細な情報を提供できないが、生検では組織を除去し、痛みと侵襲性がある。 音響分解能光音響顕微鏡(ARPAM)を用いた大腸組織分類のための機械学習手法について検討した。 提案手法の有効性を評価するため, 定量的および定性的に解析を行った。
  論文  参考訳（メタデータ） (2023-07-17T15:15:26Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• 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)
• Primary Tumor and Inter-Organ Augmentations for Supervised Lymph Node Colon Adenocarcinoma Metastasis Detection [8.69535649683089]
  ラベル付きデータの不足は、病理組織学応用のためのディープラーニングベースのモデルを開発する上で、大きなボトルネックとなる。 本研究は,対象領域の限定的あるいは全く表現されていない場合の大腸癌転移検出のためのトレーニングデータの拡張方法について検討する。
  論文  参考訳（メタデータ） (2021-09-17T17:31:25Z)
• Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
  超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。 この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。 トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
  論文  参考訳（メタデータ） (2021-07-12T09:04:20Z)
• Spectral-Spatial Recurrent-Convolutional Networks for In-Vivo Hyperspectral Tumor Type Classification [49.32653090178743]
  ハイパースペクトル画像とディープラーニングを用いたin-vivo腫瘍型分類の可能性を示した。 我々の最良のモデルは76.3%のAUCを達成し、従来の学習手法とディープラーニング手法を著しく上回っている。
  論文  参考訳（メタデータ） (2020-07-02T12:00:53Z)
• Stan: Small tumor-aware network for breast ultrasound image segmentation [68.8204255655161]
  本研究では,小腫瘍認識ネットワーク(Small tumor-Aware Network,STAN)と呼ばれる新しいディープラーニングアーキテクチャを提案する。 提案手法は, 乳腺腫瘍の分節化における最先端のアプローチよりも優れていた。
  論文  参考訳（メタデータ） (2020-02-03T22:25:01Z)

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。