論文の概要: Cross-attention-based saliency inference for predicting cancer
metastasis on whole slide images
- arxiv url: http://arxiv.org/abs/2309.09412v1
- Date: Mon, 18 Sep 2023 00:56:19 GMT
- ステータス: 処理完了
- システム内更新日: 2023-09-19 15:29:50.687419
- Title: Cross-attention-based saliency inference for predicting cancer
metastasis on whole slide images
- Title（参考訳）: 全スライド画像における癌転移予測のためのクロス・アテンションに基づく塩分推定
- Authors: Ziyu Su, Mostafa Rezapour, Usama Sajjad, Shuo Niu, Metin Nafi Gurcan,
Muhammad Khalid Khan Niazi
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 3.7282630026096597
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Although multiple instance learning (MIL) methods are widely used for
automatic tumor detection on whole slide images (WSI), they suffer from the
extreme class imbalance within the small tumor WSIs. This occurs when the tumor
comprises only a few isolated cells. For early detection, it is of utmost
importance that MIL algorithms can identify small tumors, even when they are
less than 1% of the size of the WSI. Existing studies have attempted to address
this issue using attention-based architectures and instance selection-based
methodologies, but have not yielded significant improvements. This paper
proposes cross-attention-based salient instance inference MIL (CASiiMIL), which
involves a novel saliency-informed attention mechanism, to identify breast
cancer lymph node micro-metastasis on WSIs without the need for any
annotations. Apart from this new attention mechanism, we introduce a negative
representation learning algorithm to facilitate the learning of
saliency-informed attention weights for improved sensitivity on tumor WSIs. The
proposed model outperforms the state-of-the-art MIL methods on two popular
tumor metastasis detection datasets, and demonstrates great cross-center
generalizability. In addition, it exhibits excellent accuracy in classifying
WSIs with small tumor lesions. Moreover, we show that the proposed model has
excellent interpretability attributed to the saliency-informed attention
weights. We strongly believe that the proposed method will pave the way for
training algorithms for early tumor detection on large datasets where acquiring
fine-grained annotations is practically impossible.
- Abstract（参考訳）: マルチインスタンス・ラーニング (mil) 法は全スライド画像 (wsi) の自動腫瘍検出に広く用いられているが, 小型腫瘍wsis における極度のクラス不均衡に苦しむ。
これは、腫瘍が少数の単離細胞のみを含む場合に発生する。
早期発見のためには、milアルゴリズムがwsiの大きさの1%未満であっても、小さな腫瘍を識別できることが最も重要である。
既存の研究は注意に基づくアーキテクチャとインスタンス選択ベースの方法論を使ってこの問題に対処しようとしたが、大きな改善は得られていない。
本稿では,WSI 上の乳癌リンパ節微小転移をアノテーションを必要とせずに同定するために,新規な唾液度インフォームドアテンション機構を備えたクロスアテンション型唾液性インスタンス推論 MIL (CASiiMIL) を提案する。
この新しい注意機構は別として, 腫瘍wsisの感度を向上させるために, 塩分を含まない注意重みの学習を容易にする負の表現学習アルゴリズムを提案する。
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法より優れた性能を示し, クロスセンターの一般化性を示す。
また, 腫瘍病変の少ないWSIの分類では, 精度が良好である。
また,提案モデルでは,注意重みによる解釈性が良好であることが判明した。
提案手法は,細粒度アノテーションの取得が事実上不可能である大規模データセットにおける早期腫瘍検出のための訓練アルゴリズムへの道を開くと強く信じている。
関連論文リスト
- Boosting Medical Image-based Cancer Detection via Text-guided Supervision from Reports [68.39938936308023]
本研究では, 高精度ながん検出を実現するための新しいテキスト誘導学習法を提案する。
本手法は,大規模プレトレーニングVLMによる臨床知識の活用により,一般化能力の向上が期待できる。
論文 参考訳（メタデータ） (2024-05-23T07:03:38Z) - Lumbar Spine Tumor Segmentation and Localization in T2 MRI Images Using AI [2.9746083684997418]
本研究は, 脊椎腫瘍の領域分割と局所化をAIアプローチで自動化することを目的とした, 新たなデータ拡張手法を提案する。
畳み込みニューラルネットワーク(CNN)アーキテクチャは、腫瘍の分類に用いられている。3次元の椎骨分割とラベル付け技術は、腰椎の腫瘍の正確な位置を特定するのに役立つ。
その結果, 腫瘍分節の99%の精度, 腫瘍分類の98%の精度, 腫瘍局在の99%の精度が得られた。
論文 参考訳（メタデータ） (2024-05-07T05:55:50Z) - 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) - Attention2Minority: A salient instance inference-based multiple instance
learning for classifying small lesions in whole slide images [0.0]
本稿では、WSI分類のための弱教師付きMILモデルであるSiliMIL(SiliMIL)を提案する。
実験の結果,SiiMILは腫瘍のインスタンスを正確に同定でき,WSIの1%以下しか検出できないことが示唆された。
論文 参考訳（メタデータ） (2023-01-18T18:42:59Z) - 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) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - 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) - ESTAN: Enhanced Small Tumor-Aware Network for Breast Ultrasound Image
Segmentation [0.0]
本稿では,乳腺腫瘍を正確に分類するための新しいディープニューラルネットワークアーキテクチャであるESTAN(Enhanced Small tumor-Aware Network)を提案する。
ESTANは、2つのエンコーダを導入し、異なるスケールで画像コンテキスト情報を抽出し、フューズする。
論文 参考訳（メタデータ） (2020-09-27T16:42:59Z) - 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)
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。