論文の概要: LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening

• arxiv url: http://arxiv.org/abs/2306.03407v2
• Date: Wed, 20 Sep 2023 04:21:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-21 20:37:10.642205
• Title: LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening
• Title（参考訳）: LESS: 細胞学的全スライド画像スクリーニングのためのラベル効率・マルチスケール学習
• Authors: Beidi Zhao, Wenlong Deng, Zi Han (Henry) Li, Chen Zhou, Zuhua Gao, Gang Wang and Xiaoxiao Li
• Abstract要約: スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれる弱教師付きラベル効率WSIスクリーニング法を提案する。 スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。 病理組織WSIにおける最新のMIL法よりも優れており、細胞学的WSI検診の自動化を実現している。
• 参考スコア（独自算出の注目度）: 19.803614403803962
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computational pathology, multiple instance learning (MIL) is widely used to circumvent the computational impasse in giga-pixel whole slide image (WSI) analysis. It usually consists of two stages: patch-level feature extraction and slide-level aggregation. Recently, pretrained models or self-supervised learning have been used to extract patch features, but they suffer from low effectiveness or inefficiency due to overlooking the task-specific supervision provided by slide labels. Here we propose a weakly-supervised Label-Efficient WSI Screening method, dubbed LESS, for cytological WSI analysis with only slide-level labels, which can be effectively applied to small datasets. First, we suggest using variational positive-unlabeled (VPU) learning to uncover hidden labels of both benign and malignant patches. We provide appropriate supervision by using slide-level labels to improve the learning of patch-level features. Next, we take into account the sparse and random arrangement of cells in cytological WSIs. To address this, we propose a strategy to crop patches at multiple scales and utilize a cross-attention vision transformer (CrossViT) to combine information from different scales for WSI classification. The combination of our two steps achieves task-alignment, improving effectiveness and efficiency. We validate the proposed label-efficient method on a urine cytology WSI dataset encompassing 130 samples (13,000 patches) and FNAC 2019 dataset with 212 samples (21,200 patches). The experiment shows that the proposed LESS reaches 84.79%, 85.43%, 91.79% and 78.30% on a urine cytology WSI dataset, and 96.88%, 96.86%, 98.95%, 97.06% on FNAC 2019 dataset in terms of accuracy, AUC, sensitivity and specificity. It outperforms state-of-the-art MIL methods on pathology WSIs and realizes automatic cytological WSI cancer screening.
• Abstract（参考訳）: 計算病理学において、多重インスタンス学習(MIL)は、ギガピクセル全体のスライド画像(WSI)解析における計算障害を回避するために広く用いられている。 通常は、パッチレベルの特徴抽出とスライドレベルのアグリゲーションの2つのステージで構成される。 近年,プリトレーニングモデルや自己教師付き学習がパッチの特徴抽出に用いられてきたが,スライドラベルによるタスク固有の監督を軽視するなど,効果や非効率性が低下している。 本稿では,スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれるラベル効率の高いWSIスクリーニング手法を提案する。 まず,vpu( variational positive-unlabeled)学習を用いて良性および悪性のパッチの隠れたラベルを明らかにすることを提案する。 スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。 次に、細胞学的WSIにおける細胞のスパース配列とランダム配列を考慮する。 そこで我々は,複数のスケールでパッチを収穫する戦略を提案し,WSI分類のための異なるスケールの情報を組み合わせるためにクロスアテンション・ビジョン・トランスフォーマ (CrossViT) を利用する。 私たちの2つのステップの組み合わせはタスクアライメントを実現し、効率と効率を改善します。 提案手法は,130サンプル(13,000パッチ)と212サンプル(21,200パッチ)のFNAC 2019データセットを含む尿細胞診WSIデータセットに対して検証した。 この実験は、提案されたLESSが尿細胞診WSIデータセットで84.79%、85.43%、91.79%、78.30%、96.88%、96.86%、98.95%、97.06%に達することを示した。 病理wsisにおける最先端のmil法を上回り、細胞学的wsiがん検診の自動化を実現する。

関連論文リスト

• MergeUp-augmented Semi-Weakly Supervised Learning for WSI Classification [1.2387547097768696]
  多重インスタンス学習(MIL)は、WSI分類のための弱い教師付き学習手法である。 機能拡張技術であるMergeUpを導入し、低優先度のバッグをマージしてカテゴリ間情報を強化する。 CAMELYON-16, BRACS, TCGA-LUNGデータセットによる実験結果から, 既存の最先端手法よりも本手法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2024-08-23T04:08:30Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• NearbyPatchCL: Leveraging Nearby Patches for Self-Supervised Patch-Level Multi-Class Classification in Whole-Slide Images [10.8479107614771]
  全スライディング画像(WSI)解析は、がんの診断と治療において重要な役割を担っている。 本稿では,新しい自己教師型学習手法であるNearby Patch Contrastive Learning(NearbyPatchCL)を紹介する。 本手法は,トップ1分類精度87.56%で,教師付きベースラインと最先端SSL法を著しく上回っている。
  論文  参考訳（メタデータ） (2023-12-12T18:24:44Z)
• Unsupervised Mutual Transformer Learning for Multi-Gigapixel Whole Slide Image Classification [18.452105665665858]
  相互変換学習に基づく完全教師なしWSI分類アルゴリズムを提案する。 正常とがんのインスタンスラベリングを改善するために識別学習機構を導入する。 教師なし分類に加えて,下流分析として癌サブタイプ分類の弱監督のための枠組みの有効性を実証する。
  論文  参考訳（メタデータ） (2023-05-03T10:54:18Z)
• 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)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• 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)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
  本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。 提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。 統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
  論文  参考訳（メタデータ） (2021-06-29T06:24:55Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。