論文の概要: RACR-MIL: Weakly Supervised Skin Cancer Grading using Rank-Aware Contextual Reasoning on Whole Slide Images

• arxiv url: http://arxiv.org/abs/2308.15618v1
• Date: Tue, 29 Aug 2023 20:25:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-08-31 15:33:46.565799
• Title: RACR-MIL: Weakly Supervised Skin Cancer Grading using Rank-Aware Contextual Reasoning on Whole Slide Images
• Title（参考訳）: RACR-MIL : 全スライド画像におけるランク認識型文脈推論による皮膚癌の診断
• Authors: Anirudh Choudhary, Angelina Hwang, Jacob Kechter, Krishnakant Saboo, Blake Bordeaux, Puneet Bhullar, Nneka Comfere, David DiCaudo, Steven Nelson, Emma Johnson, Leah Swanson, Dennis Murphree, Aaron Mangold, Ravishankar K. Iyer
• Abstract要約: 皮膚扁平上皮癌(cSCC)はアメリカ合衆国で2番目に多い皮膚癌である。 そこで我々は,c SCC WSI に対する弱教師付きグレーディング手法を提案する。 提案モデルでは,各WSIをタイル付きパッチの袋に変換し,注意に基づくマルチスタンス学習を利用してWSIレベルのグレードを割り当てる。
• 参考スコア（独自算出の注目度）: 1.7625232415232948
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cutaneous squamous cell cancer (cSCC) is the second most common skin cancer in the US. It is diagnosed by manual multi-class tumor grading using a tissue whole slide image (WSI), which is subjective and suffers from inter-pathologist variability. We propose an automated weakly-supervised grading approach for cSCC WSIs that is trained using WSI-level grade and does not require fine-grained tumor annotations. The proposed model, RACR-MIL, transforms each WSI into a bag of tiled patches and leverages attention-based multiple-instance learning to assign a WSI-level grade. We propose three key innovations to address general as well as cSCC-specific challenges in tumor grading. First, we leverage spatial and semantic proximity to define a WSI graph that encodes both local and non-local dependencies between tumor regions and leverage graph attention convolution to derive contextual patch features. Second, we introduce a novel ordinal ranking constraint on the patch attention network to ensure that higher-grade tumor regions are assigned higher attention. Third, we use tumor depth as an auxiliary task to improve grade classification in a multitask learning framework. RACR-MIL achieves 2-9% improvement in grade classification over existing weakly-supervised approaches on a dataset of 718 cSCC tissue images and localizes the tumor better. The model achieves 5-20% higher accuracy in difficult-to-classify high-risk grade classes and is robust to class imbalance.
• Abstract（参考訳）: 皮膚扁平上皮癌(cSCC)はアメリカ合衆国で2番目に多い皮膚癌である。 主観的であり,病理組織間変動に苦しむ組織全体スライド画像(wsi)を用いて,手技によるマルチクラス腫瘍診断を行う。 我々は,WSIレベルグレードを用いて訓練し,より微細な腫瘍のアノテーションを必要としない,cSCC WSIの自動評価手法を提案する。 提案モデルであるRACR-MILは、各WSIをタイル付きパッチの袋に変換し、注意に基づくマルチインスタンス学習を利用してWSIレベルのグレードを割り当てる。 本研究は,腫瘍グレーティングにおけるcSCC固有の課題に対処するための3つの重要なイノベーションを提案する。 まず,腫瘍領域間の局所的および非局所的依存関係を符号化するWSIグラフを定義し,文脈的パッチ特徴を導出するグラフアテンション畳み込みを利用する。 第2に,高次腫瘍領域が注目度が高いことを確実にするために,パッチアテンションネットワークに新たな順序付け制約を導入する。 第3に,腫瘍深度を補助的タスクとして用いて,マルチタスク学習フレームワークのグレード分類を改善する。 RACR-MILは718個のcSCC組織像のデータセット上で、既存の弱教師付きアプローチよりも2-9%のグレード分類の改善を実現し、腫瘍をよりよく局在させる。 このモデルは、分類が難しいハイリスククラスの5～20%高い精度を達成し、クラス不均衡に頑健である。

関連論文リスト

• Cross-attention-based saliency inference for predicting cancer metastasis on whole slide images [3.7282630026096597]
  乳がんリンパ節の微小転移を全スライド画像上で同定するために, クロスアテンションに基づく静注型インスタンス推定MIL (CASiiMIL) を提案する。 陰性表現学習アルゴリズムを導入し,腫瘍WSIに対する感度を向上させるために,有意な注意重み付けの学習を容易にする。 提案モデルでは, 2つの腫瘍転移検出データセットに対して, 最先端のMIL法より優れていた。
  論文  参考訳（メタデータ） (2023-09-18T00:56:19Z)
• Breast Ultrasound Tumor Classification Using a Hybrid Multitask CNN-Transformer Network [63.845552349914186]
  胸部超音波(BUS)画像分類において,グローバルな文脈情報の収集が重要な役割を担っている。 ビジョントランスフォーマーは、グローバルなコンテキスト情報をキャプチャする能力が改善されているが、トークン化操作によって局所的なイメージパターンを歪めてしまう可能性がある。 本研究では,BUS腫瘍分類とセグメンテーションを行うハイブリッドマルチタスクディープニューラルネットワークであるHybrid-MT-ESTANを提案する。
  論文  参考訳（メタデータ） (2023-08-04T01:19:32Z)
• 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)
• Decoupled Pyramid Correlation Network for Liver Tumor Segmentation from CT images [22.128902125820193]
  Decoupled Pyramid correlation Network (DPC-Net)を提案する。 注意機構を利用して、FCNに埋め込まれた低レベルの特徴と高レベルの特徴をフル活用し、肝腫瘍を分節する。 DSCは96.2%、ASSDは1.636mmで肝臓セグメンテーションが可能である。
  論文  参考訳（メタデータ） (2022-05-26T07:31:29Z)
• EMT-NET: Efficient multitask network for computer-aided diagnosis of breast cancer [58.720142291102135]
  乳腺腫瘍の分類と分別を同時に行うための,効率的で軽量な学習アーキテクチャを提案する。 腫瘍分類ネットワークにセグメンテーションタスクを組み込むことにより,腫瘍領域に着目したバックボーンネットワークで表現を学習する。 腫瘍分類の精度、感度、特異性はそれぞれ88.6%、94.1%、85.3%である。
  論文  参考訳（メタデータ） (2022-01-13T05:24:40Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• A Two-Stage Multiple Instance Learning Framework for the Detection of Breast Cancer in Mammograms [13.842620686759616]
  乳がんの大規模検診ではマンモグラムが一般的に用いられる。 画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。 グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。 画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
  論文  参考訳（メタデータ） (2020-04-24T13:06:47Z)
• 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。