論文の概要: Explainable and Position-Aware Learning in Digital Pathology

• arxiv url: http://arxiv.org/abs/2306.08198v1
• Date: Wed, 14 Jun 2023 01:53:17 GMT
• ステータス: 処理完了
• システム内更新日: 2023-06-16 20:46:37.263320
• Title: Explainable and Position-Aware Learning in Digital Pathology
• Title（参考訳）: デジタル病理学における説明可能・位置認識学習
• Authors: Milan Aryal and Nasim Yahyasoltani
• Abstract要約: 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。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Encoding whole slide images (WSI) as graphs is well motivated since it makes it possible for the gigapixel resolution WSI to be represented in its entirety for the purpose of graph learning. To this end, WSIs can be broken into smaller patches that represent the nodes of the graph. Then, graph-based learning methods can be utilized for the grading and classification of cancer. Message passing among neighboring nodes is the foundation of graph-based learning methods. However, they do not take into consideration any positional information for any of the patches, and if two patches are found in topologically isomorphic neighborhoods, their embeddings are nearly similar to one another. In this work, classification of cancer from WSIs is performed with positional embedding and graph attention. In order to represent the positional embedding of the nodes in graph classification, the proposed method makes use of spline convolutional neural networks (CNN). The algorithm is then tested with the WSI dataset for grading prostate cancer and kidney cancer. A comparison of the proposed method with leading approaches in cancer diagnosis and grading verify improved performance. The identification of cancerous regions in WSIs is another critical task in cancer diagnosis. In this work, the explainability of the proposed model is also addressed. A gradient-based explainbility approach is used to generate the saliency mapping for the WSIs. This can be used to look into regions of WSI that are responsible for cancer diagnosis thus rendering the proposed model explainable.
• Abstract（参考訳）: スライド画像全体(wsi)をグラフとしてエンコーディングすることは、gigapixelの解像度であるwsiをグラフ学習のために全体表現することができるため、モチベーションが高い。 この目的のために、WSIはグラフのノードを表す小さなパッチに分割される。 これにより、がんの分類と分類にグラフベースの学習方法が利用できる。 隣接ノード間のメッセージパッシングは、グラフベースの学習手法の基礎である。 しかし、それらはパッチのいかなる位置情報も考慮せず、2つのパッチが位相的に同型な近傍にある場合、それらの埋め込みは互いにほぼ類似している。 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。 グラフ分類におけるノードの位置埋め込みを表現するために,提案手法ではspline convolutional neural networks (cnn)を用いる。 このアルゴリズムは、前立腺がんと腎臓がんをグレードするWSIデータセットでテストされる。 提案手法とがん診断とグレーディングの指導的アプローチの比較により, 評価精度が向上した。 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。 本研究では,提案モデルの説明可能性についても論じる。 勾配に基づく説明性アプローチは、wsisの塩分マッピングを生成するために用いられる。 これは、がん診断の責任があるwsiの領域を調べるために使用することができ、提案モデルを説明することができる。

関連論文リスト

• SlideGCD: Slide-based Graph Collaborative Training with Knowledge Distillation for Whole Slide Image Classification [4.994171453938461]
  最近の研究は、スライド間の相関を無視した1つのWSIの内部コンテキスト情報に主に焦点を当てている。 本稿では,既存のマルチインスタンス学習(MIL)手法をバックボーンとして考慮し,ノード分類問題としてWSI分類タスクをフォークする汎用的なWSI解析パイプラインSlideGCDを提案する。 2つのTCGAベンチマークデータセットで、これまでの4つの最先端MILメソッドのSlideGCDによる一貫したパフォーマンス向上が観察された。
  論文  参考訳（メタデータ） (2024-07-12T03:32:13Z)
• C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading [2.570529808612886]
  グラフベースの学習アプローチは、大腸癌組織像のグレード化にますます好まれている。 最近のグラフベースの手法では、スライドイメージ全体を小または中規模のパッチに分割し、各パッチにグラフを構築してトレーニングに使用する。 この方法は、WSI全体に存在する組織構造情報をキャプチャできず、画像パッチの膨大なデータセットからのトレーニングに依存します。 本稿では,2段階グラフ生成に基づく新しいセル・ツー・パッチグラフ畳み込みネットワーク(C2P-GCN)を提案する。
  論文  参考訳（メタデータ） (2024-03-08T00:15:43Z)
• Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
  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。
  論文  参考訳（メタデータ） (2023-06-07T20:23:05Z)
• 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)
• Application of Graph Based Features in Computer Aided Diagnosis for Histopathological Image Classification of Gastric Cancer [7.607669435880715]
  胃癌の病理組織学的画像解析にグラフベースの特徴が応用される。 U-Netを用いて組織領域を分割し、グラフベースの特徴を抽出し、最終的にRBF SVM分類器を使用することで94.29%の最適結果が得られることがわかった。
  論文  参考訳（メタデータ） (2022-05-17T16:16:29Z)
• Spatial-spectral Hyperspectral Image Classification via Multiple Random Anchor Graphs Ensemble Learning [88.60285937702304]
  本稿では,複数のランダムアンカーグラフアンサンブル学習(RAGE)を用いた空間スペクトルHSI分類手法を提案する。 まず、各選択されたバンドのより記述的な特徴を抽出し、局所的な構造と領域の微妙な変化を保存するローカルバイナリパターンを採用する。 次に,アンカーグラフの構成に適応隣接代入を導入し,計算複雑性を低減した。
  論文  参考訳（メタデータ） (2021-03-25T09:31:41Z)
• 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)
• Sequential Graph Convolutional Network for Active Learning [53.99104862192055]
  逐次グラフ畳み込みネットワーク(GCN)を用いた新しいプールベースアクティブラーニングフレームワークを提案する。 少数のランダムなサンプル画像がシードラベル付き例であるので、グラフのパラメータを学習してラベル付きノードと非ラベル付きノードを区別する。 我々はGCNの特性を利用してラベル付けされたものと十分に異なる未ラベルの例を選択する。
  論文  参考訳（メタデータ） (2020-06-18T00:55:10Z)
• Unifying Graph Convolutional Neural Networks and Label Propagation [73.82013612939507]
  LPAとGCNの関係を特徴・ラベルの平滑化と特徴・ラベルの影響の2点の観点から検討した。 理論解析に基づいて,ノード分類のためのGCNとLCAを統一するエンドツーエンドモデルを提案する。 我々のモデルは、既存の特徴に基づく注目モデルよりもタスク指向のノードラベルに基づく学習注意重みと見なすこともできる。
  論文  参考訳（メタデータ） (2020-02-17T03:23:13Z)

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。