論文の概要: CAMIL: Context-Aware Multiple Instance Learning for Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2305.05314v1
• Date: Tue, 9 May 2023 10:06:37 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-10 13:06:14.578672
• Title: CAMIL: Context-Aware Multiple Instance Learning for Whole Slide Image Classification
• Title（参考訳）: CAMIL:全スライド画像分類のためのコンテキスト対応マルチインスタンス学習
• Authors: Olga Fourkioti, Avi Arampatzis, Chen Jin, Mat De Vries, Chris Bakal
• Abstract要約: がん診断は通常、ヒト病理学者が腫瘍細胞とそのサブタイプを特定するために組織断面生検の全スライド画像(WSI)を調べる。 弱い教師付きアプローチでは、各タイルに割り当てられた注意スコアに基づいて、WSIの全体分類に基づいて、イメージサブセクションまたはタイルを入力として使用することが多い。 この方法は、腫瘍が不均一である可能性があるため、偽陽性/陰性の可能性を見落としている。 我々はこの制限に対処するため、CHARMと呼ばれる新しいディープラーニングプーリング演算子を開発した。
• 参考スコア（独自算出の注目度）: 1.096626056612224
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cancer diagnoses typically involve human pathologists examining whole slide images (WSIs) of tissue section biopsies to identify tumor cells and their subtypes. However, artificial intelligence (AI)-based models, particularly weakly supervised approaches, have recently emerged as viable alternatives. Weakly supervised approaches often use image subsections or tiles as input, with the overall classification of the WSI based on attention scores assigned to each tile. However, this method overlooks the potential for false positives/negatives because tumors can be heterogeneous, with cancer and normal cells growing in patterns larger than a single tile. Such errors at the tile level could lead to misclassification at the tumor level. To address this limitation, we developed a novel deep learning pooling operator called CHARM (Contrastive Histopathology Attention Resolved Models). CHARM leverages the dependencies among single tiles within a WSI and imposes contextual constraints as prior knowledge to multiple instance learning models. We tested CHARM on the subtyping of non-small cell lung cancer (NSLC) and lymph node (LN) metastasis, and the results demonstrated its superiority over other state-of-the-art weakly supervised classification algorithms. Furthermore, CHARM facilitates interpretability by visualizing regions of attention.
• Abstract（参考訳）: がん診断は通常、ヒト病理学者が腫瘍細胞とそのサブタイプを特定するために組織断面生検の全スライド画像(WSI)を調べる。 しかし、人工知能(AI)ベースのモデル、特に弱い教師付きアプローチは、最近、実行可能な代替手段として現れている。 弱い教師付きアプローチでは、各タイルに割り当てられた注意スコアに基づいて、WSIの全体分類に基づいて、イメージサブセクションまたはタイルを入力として使用することが多い。 しかし、腫瘍は異種であり、がんや正常な細胞は単一のタイルよりも大きなパターンで成長するため、偽陽性/陰性の可能性を見落としている。 このようなタイルレベルのエラーは腫瘍レベルでの誤分類につながる可能性がある。 この限界に対処するため,我々はCHARM(Contrastive Histopathology Attention Resolved Models)と呼ばれる新しい深層学習プール演算子を開発した。 CHARMはWSI内の単一のタイル間の依存関係を活用し、複数のインスタンス学習モデルに対する事前知識としてコンテキスト制約を課します。 我々は,非小細胞肺癌(NSLC)およびリンパ節転移(LN)の亜型化についてCHARMを試験し,他の最先端の弱教師付き分類アルゴリズムよりも優位性を示した。 さらに、CHARMは注意領域を可視化することで解釈しやすくする。

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)
• CARMIL: Context-Aware Regularization on Multiple Instance Learning models for Whole Slide Images [0.41873161228906586]
  複数のインスタンス学習モデルは、全スライド画像のがん予後に有効であることが証明されている。 元のMILの定式化は、同じ画像のパッチが独立であると誤って仮定する。 空間知識を任意のMILモデルにシームレスに統合する多目的正規化手法を提案する。
  論文  参考訳（メタデータ） (2024-08-01T09:59:57Z)
• Finding Regions of Interest in Whole Slide Images Using Multiple Instance Learning [0.23301643766310368]
  病理ラベリングは通常、タイルレベルではなくスライドレベルで行われるため、WSI(Whole Slide Images)はAIベース/AI経由の分析に対する特別な課題である。 本稿では,がんの表現型を正確に予測するために,弱教師付き多重インスタンス学習(MIL)手法を提案する。
  論文  参考訳（メタデータ） (2024-04-01T19:33:41Z)
• Post-Hoc Explainability of BI-RADS Descriptors in a Multi-task Framework for Breast Cancer Detection and Segmentation [48.08423125835335]
  MT-BI-RADSは乳房超音波(BUS)画像における腫瘍検出のための新しい深層学習手法である。 放射線科医が腫瘍の悪性度を予測するための意思決定プロセスを理解するための3つのレベルの説明を提供する。
  論文  参考訳（メタデータ） (2023-08-27T22:07:42Z)
• 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)
• BI-RADS-Net: An Explainable Multitask Learning Approach for Cancer Diagnosis in Breast Ultrasound Images [69.41441138140895]
  本稿では,乳房超音波画像における癌検出のための新しい深層学習手法であるBI-RADS-Netを紹介する。 提案手法は, 臨床診断に関連する特徴表現を学習することにより, 乳腺腫瘍の説明と分類を行うタスクを取り入れたものである。 臨床医が医療現場で診断・報告するために使用する形態学的特徴の観点から予測(良性または悪性)の説明が提供される。
  論文  参考訳（メタデータ） (2021-10-05T19:14:46Z)
• Selecting Regions of Interest in Large Multi-Scale Images for Cancer Pathology [0.0]
  顕微鏡スライドの高解像度スキャンは、がん病理学者が、複数のスケールと解像度でスライド画像内の特徴の測定に基づいて、がんの存在、サブタイプ、および重症度に関する結論に達するのに十分な情報を提供する。 肝癌,肝細胞癌 (HCC) と胆管癌 (CC) の2種類の1種を含む肝病理組織スライドにおいて,WSIを段階的に拡大して興味領域(ROI)を検出するための強化学習とビームサーチに基づくアプローチを検討する。 これらのROIは病理医に直接提示され、測定と診断を助けるか、または使用される。
  論文  参考訳（メタデータ） (2020-07-03T15:27:41Z)
• 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)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)
• 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)
• Multi-scale Domain-adversarial Multiple-instance CNN for Cancer Subtype Classification with Unannotated Histopathological Images [16.02231907106384]
  我々は,マルチインスタンス,ドメイン逆数,マルチスケール学習フレームワークを効果的に組み合わせ,CNNに基づく癌サブタイプ分類法を開発した。 分類性能は標準のCNNや他の従来の方法よりも有意に優れており, 精度は標準の病理医と比較して良好であった。
  論文  参考訳（メタデータ） (2020-01-06T14:09:51Z)

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。