論文の概要: HIGT: Hierarchical Interaction Graph-Transformer for Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2309.07400v1
• Date: Thu, 14 Sep 2023 03:04:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-15 16:29:22.999380
• Title: HIGT: Hierarchical Interaction Graph-Transformer for Whole Slide Image Analysis
• Title（参考訳）: HIGT:全スライド画像解析のための階層的相互作用グラフ変換器
• Authors: Ziyu Guo, Weiqin Zhao, Shujun Wang, and Lequan Yu
• Abstract要約: 本稿では,WSI解析のための階層型相互作用グラフ変換器(HIGT)を提案する。 Graph Neural NetworkとTransformerをビルディングコモンズとして、HIGTは短距離ローカル情報と長距離グローバル表現の両方を学ぶことができる。 TCGAプロジェクトの2つの公開WSIデータセットに対して,本手法の評価を行った。
• 参考スコア（独自算出の注目度）: 23.67352808816652
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In computation pathology, the pyramid structure of gigapixel Whole Slide Images (WSIs) has recently been studied for capturing various information from individual cell interactions to tissue microenvironments. This hierarchical structure is believed to be beneficial for cancer diagnosis and prognosis tasks. However, most previous hierarchical WSI analysis works (1) only characterize local or global correlations within the WSI pyramids and (2) use only unidirectional interaction between different resolutions, leading to an incomplete picture of WSI pyramids. To this end, this paper presents a novel Hierarchical Interaction Graph-Transformer (i.e., HIGT) for WSI analysis. With Graph Neural Network and Transformer as the building commons, HIGT can learn both short-range local information and long-range global representation of the WSI pyramids. Considering that the information from different resolutions is complementary and can benefit each other during the learning process, we further design a novel Bidirectional Interaction block to establish communication between different levels within the WSI pyramids. Finally, we aggregate both coarse-grained and fine-grained features learned from different levels together for slide-level prediction. We evaluate our methods on two public WSI datasets from TCGA projects, i.e., kidney carcinoma (KICA) and esophageal carcinoma (ESCA). Experimental results show that our HIGT outperforms both hierarchical and non-hierarchical state-of-the-art methods on both tumor subtyping and staging tasks.
• Abstract（参考訳）: 計算病理学において、ギガピクセル全スライド画像(wsis)のピラミッド構造は、細胞間相互作用から組織微小環境まで様々な情報をキャプチャするために近年研究されている。 この階層構造は癌診断や予後診断に有用であると考えられている。 しかし、従来の階層的なWSI分析は、(1)WSIピラミッド内の局所的あるいは大域的相関のみを特徴付け、(2)異なる解像度間の一方向相互作用のみを使用する。 本稿では,wsi分析のための新しい階層的相互作用グラフ変換器(higt)を提案する。 Graph Neural NetworkとTransformerをビルディングコモンズとして、HIGTは、WSIピラミッドの短距離ローカル情報と長距離グローバル表現の両方を学ぶことができる。 異なる解像度からの情報が相補的であり、学習過程において相互に利益をもたらすことを考慮し、我々はさらに新しい双方向インタラクションブロックを設計し、WSIピラミッド内の異なるレベル間の通信を確立する。 最後に、異なるレベルから学んだ粗粒度と細粒度の両方を、スライドレベルの予測のために集約する。 tcgaプロジェクトである腎癌(kica)と食道癌(esca)の2つのwsiデータセットについて検討を行った。 実験の結果,HIGTは腫瘍のサブタイプおよびステージングタスクにおいて,階層的および非階層的手法の両方に優れていた。

関連論文リスト

• Graph Domain Adaptation with Dual-branch Encoder and Two-level Alignment for Whole Slide Image-based Survival Prediction [40.21378307349686]
  本稿では,WSI ドメイン間の機能およびカテゴリレベルのアライメントを検討するために,デュアルブランチと2レベルアライメント(DETA)フレームワークを提案する。 当社の作業は、WSIデータ分析におけるドメインシフト問題を緩和する最初の試みです。
  論文  参考訳（メタデータ） (2024-11-21T10:35:16Z)
• It Takes Two: Accurate Gait Recognition in the Wild via Cross-granularity Alignment [72.75844404617959]
  本稿では,XGait という新しい粒度アライメント歩行認識手法を提案する。 この目的を達成するために、XGaitはまず2つのバックボーンエンコーダの分岐を含み、シルエットシーケンスとパーシングシーケンスを2つの潜在空間にマッピングする。 2つの大規模な歩行データセットの総合的な実験では、ランク1の精度が80.5%、CCPGが88.3%である。
  論文  参考訳（メタデータ） (2024-11-16T08:54:27Z)
• Integrative Graph-Transformer Framework for Histopathology Whole Slide Image Representation and Classification [18.16710321320098]
  デジタル病理学において、MIL(Multiple Case Learning)戦略は、弱い教師付き病理組織像全体(WSI)分類タスクにおいて広く用いられている。 既存の注意に基づくMILアプローチは、しばしば隣接する組織タイル間のコンテキスト情報や本質的な空間的関係を見落としている。 本稿では、文脈対応リレーショナル特徴とグローバルWSI表現を同時にキャプチャする統合グラフ変換フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-26T22:31:05Z)
• GRASP: GRAph-Structured Pyramidal Whole Slide Image Representation [4.5869791542071]
  本稿では,スライド画像全体(WSI)をデジタル病理学で処理するためのグラフ構造化多重画像化フレームワークGRASPを提案する。 我々のアプローチは、WSIの処理における病理学者の振舞いと、WSIの階層構造から得られる利益をエミュレートするために設計されている。 従来のプール機構の代わりに収束ベースのノードアグリゲーションを導入するGRASPは、2つの異なるがんデータセットに対して最先端の手法より優れている。
  論文  参考訳（メタデータ） (2024-02-06T00:03:44Z)
• Histopathology Whole Slide Image Analysis with Heterogeneous Graph Representation Learning [78.49090351193269]
  本稿では,WSI分析のために,異なる種類の核間の相互関係を利用する新しいグラフベースのフレームワークを提案する。 具体的には、WSI を各ノードに "nucleus-type" 属性と各エッジに類似した意味属性を持つ異種グラフとして定式化する。 我々のフレームワークは、様々なタスクに対してかなりのマージンで最先端の手法より優れています。
  論文  参考訳（メタデータ） (2023-07-09T14:43:40Z)
• 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)
• SIAN: Style-Guided Instance-Adaptive Normalization for Multi-Organ Histopathology Image Synthesis [63.845552349914186]
  本研究では,異なる臓器に対して,現実的な色分布とテクスチャを合成するためのスタイル誘導型インスタンス適応正規化(SIAN)を提案する。 4つのフェーズは一緒に動作し、生成ネットワークに統合され、イメージセマンティクス、スタイル、インスタンスレベルのバウンダリを埋め込む。
  論文  参考訳（メタデータ） (2022-09-02T16:45:46Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• 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。