論文の概要: Heterogeneous graphs model spatial relationships between biological
entities for breast cancer diagnosis
- arxiv url: http://arxiv.org/abs/2307.08132v1
- Date: Sun, 16 Jul 2023 19:06:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-18 15:21:26.944759
- Title: Heterogeneous graphs model spatial relationships between biological
entities for breast cancer diagnosis
- Title(参考訳): 不均質グラフモデルによる乳癌診断のための生物学的実体間の空間的関係
- Authors: Akhila Krishna K, Ravi Kant Gupta, Nikhil Cherian Kurian, Pranav
Jeevan, Amit Sethi
- Abstract要約: グラフニューラルネットワーク(GNN)は、画像内の空間的関係をコーディングすることで、有望なソリューションを提供する。
細胞と組織グラフの空間的および階層的関係を捉えるヘテロジニアスGNNを用いた新しい手法を提案する。
また,組織と細胞グラフの複雑な関係をモデル化するトランスフォーマーアーキテクチャとクロスアテンションベースネットワークの性能を比較した。
- 参考スコア(独自算出の注目度): 1.943314771739382
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The heterogeneity of breast cancer presents considerable challenges for its
early detection, prognosis, and treatment selection. Convolutional neural
networks often neglect the spatial relationships within histopathological
images, which can limit their accuracy. Graph neural networks (GNNs) offer a
promising solution by coding the spatial relationships within images. Prior
studies have investigated the modeling of histopathological images as cell and
tissue graphs, but they have not fully tapped into the potential of extracting
interrelationships between these biological entities. In this paper, we present
a novel approach using a heterogeneous GNN that captures the spatial and
hierarchical relations between cell and tissue graphs to enhance the extraction
of useful information from histopathological images. We also compare the
performance of a cross-attention-based network and a transformer architecture
for modeling the intricate relationships within tissue and cell graphs. Our
model demonstrates superior efficiency in terms of parameter count and achieves
higher accuracy compared to the transformer-based state-of-the-art approach on
three publicly available breast cancer datasets -- BRIGHT, BreakHis, and BACH.
- Abstract(参考訳): 乳がんの異質性は早期発見、予後、治療選択に重大な課題をもたらす。
畳み込みニューラルネットワークは、しばしば病理画像内の空間的関係を無視し、精度を制限できる。
グラフニューラルネットワーク(GNN)は、画像内の空間的関係をコーディングすることで、有望なソリューションを提供する。
これまでの研究では、細胞と組織グラフとしての病理組織像のモデリングが研究されてきたが、これらの生物学的実体間の相互関係を抽出できる可能性に完全には触れられていない。
本稿では,細胞と組織グラフの空間的・階層的関係を捉え,組織病理学的画像から有用な情報を抽出するための不均一gnnを用いた新しい手法を提案する。
また,組織と細胞グラフの複雑な関係をモデル化するトランスフォーマーアーキテクチャとクロスアテンションベースネットワークの性能を比較した。
本モデルでは, パラメータ数に関して優れた効率性を示し, BRIGHT, BreakHis, BACHの3つの乳がんデータセットに対して, トランスフォーマーに基づく最先端アプローチと比較して高い精度を実現する。
関連論文リスト
- Tertiary Lymphoid Structures Generation through Graph-based Diffusion [54.37503714313661]
本研究では,最先端のグラフベース拡散モデルを用いて生物学的に意味のある細胞グラフを生成する。
本研究では, グラフ拡散モデルを用いて, 3次リンパ構造(TLS)の分布を正確に学習できることを示す。
論文 参考訳(メタデータ) (2023-10-10T14:37:17Z) - Compact & Capable: Harnessing Graph Neural Networks and Edge Convolution
for Medical Image Classification [0.0]
本稿では,重要なグラフノード間の接続を強く表現するために,RGBチャネルの特徴値の相互接続性を活用し,GNNとエッジ畳み込みを組み合わせた新しいモデルを提案する。
提案モデルでは,最新のDeep Neural Networks (DNN) と同等に動作するが,1000倍のパラメータが減少し,トレーニング時間とデータ要求が短縮される。
論文 参考訳(メタデータ) (2023-07-24T13:39:21Z) - Enhancing Embedding Representations of Biomedical Data using Logic
Knowledge [6.295638112781736]
本稿では,PharmKGデータセット上の知識グラフモデルの埋め込み表現を強化するために,論理ルールを利用する。
R2Nは利用可能なロジックルールを使用して、KGE潜在表現を前提としたニューラルネットワークを構築する。
実験の結果,本手法はPharmKGデータセットの最先端性を大幅に向上させることができることがわかった。
論文 参考訳(メタデータ) (2023-03-23T13:38:21Z) - Generative modeling of the enteric nervous system employing point
pattern analysis and graph construction [2.20200533591633]
大腸における腸管神経系(ENS)のアーキテクチャのネットワークモデルについて述べる。
我々のモデルは,空間点パターン解析とグラフ生成を組み合わせることで,ガングリアの空間的および位相的性質を特徴づける。
ENSコネクトームの理解が高まると、治療における神経調節戦略の使用が可能になり、腸運動障害の患者に対する解剖学的診断基準が明確になる。
論文 参考訳(メタデータ) (2022-10-26T21:22:41Z) - Relation Embedding based Graph Neural Networks for Handling
Heterogeneous Graph [58.99478502486377]
我々は、同種GNNが不均一グラフを扱うのに十分な能力を持つように、シンプルで効率的なフレームワークを提案する。
具体的には、エッジ型関係と自己ループ接続の重要性を埋め込むために、関係1つのパラメータのみを使用する関係埋め込みベースのグラフニューラルネットワーク(RE-GNN)を提案する。
論文 参考訳(メタデータ) (2022-09-23T05:24:18Z) - Feature-selected Graph Spatial Attention Network for Addictive
Brain-Networks Identification [4.224312918460521]
fMRIの高次元と低信号対雑音比は、グラフレベルの識別の両方のために効率的で堅牢な脳局所埋め込みを符号化することを困難にしている。
本研究では,fMRIラット脳を生物学的特性を持つグラフとして表現し,特徴選択型グラフ空間アテンションネットワークを提案する。
論文 参考訳(メタデータ) (2022-06-29T08:50:54Z) - Heterogeneous Graph Neural Networks using Self-supervised Reciprocally
Contrastive Learning [102.9138736545956]
不均一グラフニューラルネットワーク(HGNN)は異種グラフのモデリングと解析において非常に一般的な手法である。
我々は,ノード属性とグラフトポロジの各ガイダンスに関する2つの視点を取り入れた,新規で頑健なヘテロジニアスグラフコントラスト学習手法であるHGCLを初めて開発する。
この新しいアプローチでは,属性とトポロジに関連情報を別々にマイニングする手法として,異なるが最も適した属性とトポロジの融合機構を2つの視点に適用する。
論文 参考訳(メタデータ) (2022-04-30T12:57:02Z) - Visualization for Histopathology Images using Graph Convolutional Neural
Networks [1.8939984161954087]
我々は、組織組織を核のグラフとしてモデル化するアプローチを採用し、疾患診断のためのグラフ畳み込みネットワークフレームワークを開発した。
我々は,浸潤性乳癌とin-situ性乳癌の鑑別を訓練し,Gleason 3, 4前立腺癌は解釈可能なビジュアルマップを生成する。
論文 参考訳(メタデータ) (2020-06-16T19:14:19Z) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - Structured Landmark Detection via Topology-Adapting Deep Graph Learning [75.20602712947016]
解剖学的顔と医学的ランドマーク検出のための新しいトポロジ適応深層グラフ学習手法を提案する。
提案手法は局所像特徴と大域形状特徴の両方を利用するグラフ信号を構成する。
3つの公開顔画像データセット(WFLW、300W、COFW-68)と3つの現実世界のX線医学データセット(ケパロメトリ、ハンド、ペルビス)で実験を行った。
論文 参考訳(メタデータ) (2020-04-17T11:55:03Z) - Pathological Retinal Region Segmentation From OCT Images Using Geometric
Relation Based Augmentation [84.7571086566595]
本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。
提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
論文 参考訳(メタデータ) (2020-03-31T11:50:43Z)
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。