論文の概要: Context-Aware Self-Supervised Learning of Whole Slide Images

• arxiv url: http://arxiv.org/abs/2306.04763v1
• Date: Wed, 7 Jun 2023 20:23:05 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-09 17:44:38.298715
• Title: Context-Aware Self-Supervised Learning of Whole Slide Images
• Title（参考訳）: 全スライド画像の文脈認識型自己教師付き学習
• Authors: Milan Aryal, Nasim Yahyasoltani
• Abstract要約: 本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。 スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。 提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Presenting whole slide images (WSIs) as graph will enable a more efficient and accurate learning framework for cancer diagnosis. Due to the fact that a single WSI consists of billions of pixels and there is a lack of vast annotated datasets required for computational pathology, the problem of learning from WSIs using typical deep learning approaches such as convolutional neural network (CNN) is challenging. Additionally, WSIs down-sampling may lead to the loss of data that is essential for cancer detection. A novel two-stage learning technique is presented in this work. Since context, such as topological features in the tumor surroundings, may hold important information for cancer grading and diagnosis, a graph representation capturing all dependencies among regions in the WSI is very intuitive. Graph convolutional network (GCN) is deployed to include context from the tumor and adjacent tissues, and self-supervised learning is used to enhance training through unlabeled data. More specifically, the entire slide is presented as a graph, where the nodes correspond to the patches from the WSI. The proposed framework is then tested using WSIs from prostate and kidney cancers. To assess the performance improvement through self-supervised mechanism, the proposed context-aware model is tested with and without use of pre-trained self-supervised layer. The overall model is also compared with multi-instance learning (MIL) based and other existing approaches.
• Abstract（参考訳）: グラフとしてスライド画像全体(WSI)を提示することで、がん診断のためのより効率的で正確な学習フレームワークが可能になる。 単一のwsiが数十億のピクセルで構成されており、計算病理学に必要な膨大な注釈付きデータセットが不足しているという事実から、畳み込みニューラルネットワーク(cnn)のような典型的なディープラーニングアプローチを用いたwsisからの学習の問題は困難である。 さらに、wsisのダウンサンプリングは、がん検出に不可欠なデータの損失につながる可能性がある。 本稿では,新しい2段階学習手法を提案する。 腫瘍周囲のトポロジ的特徴などの文脈は、がんのグレーディングや診断に重要な情報を保持する可能性があるため、WSIの領域間のすべての依存関係を捉えるグラフ表現は非常に直感的である。 グラフ畳み込みネットワーク(GCN)は腫瘍および隣接組織からのコンテキストを含むように展開され、ラベルなしデータによるトレーニングを強化するために自己教師付き学習が使用される。 より具体的には、スライド全体がグラフとして示され、ノードはwsiからのパッチに対応する。 提案したフレームワークは、前立腺癌および腎癌のWSIを用いてテストされる。 自己教師機構による性能改善を評価するために,事前訓練された自己教師層を用いずに,提案した文脈認識モデルを検証した。 全体モデルは、MIL(Multi-instance Learning)ベースや他の既存のアプローチと比較される。

関連論文リスト

• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• 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)
• Explainable and Position-Aware Learning in Digital Pathology [0.0]
  本研究は, 位置埋め込みとグラフアテンションを用いて, WSIsからがんの分類を行う。 提案手法とがん診断, グレーディングにおける先行手法との比較により, 性能改善が確認できた。 WSIsにおける癌領域の同定は、がん診断におけるもう一つの重要な課題である。
  論文  参考訳（メタデータ） (2023-06-14T01:53:17Z)
• 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)
• A graph-transformer for whole slide image classification [11.968797693846476]
  本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。 本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
  論文  参考訳（メタデータ） (2022-05-19T16:32:10Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
  我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。 より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
  論文  参考訳（メタデータ） (2021-06-13T18:55:23Z)
• Multi-Level Graph Convolutional Network with Automatic Graph Learning for Hyperspectral Image Classification [63.56018768401328]
  HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。 空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。 MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
  論文  参考訳（メタデータ） (2020-09-19T09:26:20Z)

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。