論文の概要: Glioma subtype classification from histopathological images using
in-domain and out-of-domain transfer learning: An experimental study
- arxiv url: http://arxiv.org/abs/2309.17223v1
- Date: Fri, 29 Sep 2023 13:22:17 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 13:41:42.244035
- Title: Glioma subtype classification from histopathological images using
in-domain and out-of-domain transfer learning: An experimental study
- Title（参考訳）: 組織像からのグリオーマサブタイプ分類 : ドメイン内およびドメイン外移行学習を用いた実験的研究
- Authors: Vladimir Despotovic, Sang-Yoon Kim, Ann-Christin Hau, Aliaksandra
Kakoichankava, Gilbert Georg Klamminger, Felix Bruno Kleine Borgmann, Katrin
B. M. Frauenknecht, Michel Mittelbronnf, Petr V. Nazarov
- Abstract要約: 成人型びまん性グリオーマのコンピュータ支援分類のための様々な伝達学習戦略と深層学習アーキテクチャを比較した。
半教師付き学習手法を提案し、細調整されたモデルを用いて、スライド画像全体の無注釈領域のラベルを予測する。
モデルはその後、前のステップで決定された接地構造ラベルと弱いラベルを用いて再訓練され、標準のドメイン間転送学習と比較して優れた性能を提供する。
- 参考スコア（独自算出の注目度）: 9.161480191416551
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: We provide in this paper a comprehensive comparison of various transfer
learning strategies and deep learning architectures for computer-aided
classification of adult-type diffuse gliomas. We evaluate the generalizability
of out-of-domain ImageNet representations for a target domain of
histopathological images, and study the impact of in-domain adaptation using
self-supervised and multi-task learning approaches for pretraining the models
using the medium-to-large scale datasets of histopathological images. A
semi-supervised learning approach is furthermore proposed, where the fine-tuned
models are utilized to predict the labels of unannotated regions of the whole
slide images (WSI). The models are subsequently retrained using the
ground-truth labels and weak labels determined in the previous step, providing
superior performance in comparison to standard in-domain transfer learning with
balanced accuracy of 96.91% and F1-score 97.07%, and minimizing the
pathologist's efforts for annotation. Finally, we provide a visualization tool
working at WSI level which generates heatmaps that highlight tumor areas; thus,
providing insights to pathologists concerning the most informative parts of the
WSI.
- Abstract（参考訳）: 本稿では,成人型びまん性グリオーマのコンピュータ支援分類のための各種伝達学習戦略と深層学習アーキテクチャを包括的に比較する。
組織像のターゲット領域に対する領域外画像ネット表現の一般化性を評価し, 組織像の中～大規模データセットを用いて, 自己教師付き多タスク学習アプローチを用いて, ドメイン内適応の影響について検討した。
さらに,全スライド画像(wsi)の無記名領域のラベルを予測するために,微調整モデルを用いた半教師付き学習手法も提案されている。
モデルはその後、前段で決定された接地ラベルと弱いラベルを使用して再訓練され、96.91%とf1-score 97.07%のバランスのとれた標準のドメイン内トランスファー学習と比較して優れた性能を提供し、病理学者のアノテーションに対する努力を最小化する。
最後に,腫瘍領域を強調するヒートマップを生成するwsiレベルで動作する可視化ツールを提供し,wsiの最も有用な部分に関する病理学者への洞察を提供する。
関連論文リスト
- Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。
デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。
本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文 参考訳（メタデータ） (2024-07-10T17:00:57Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Active Learning Based Domain Adaptation for Tissue Segmentation of
Histopathological Images [1.4724454726700604]
対象ドメインからラベル付きデータの小さなセットを使用して,次にラベル付けする最も情報性の高いサンプルを選択する,事前学習されたディープニューラルネットワークを提案する。
従来のF1スコアを用いた教師あり学習手法と比較して,本手法はラベル付きサンプルよりもはるかに少ない性能を示す。
論文 参考訳（メタデータ） (2023-03-09T13:03:01Z) - ScoreNet: Learning Non-Uniform Attention and Augmentation for
Transformer-Based Histopathological Image Classification [11.680355561258427]
高解像度画像はデジタル病理の進歩を妨げる。
パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。
本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。
局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
論文 参考訳（メタデータ） (2022-02-15T16:55:09Z) - Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using
Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。
私たちのアプローチは既存のドメイン戦略よりも優れています。
論文 参考訳（メタデータ） (2021-07-20T09:44:07Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Medical Image Harmonization Using Deep Learning Based Canonical Mapping:
Toward Robust and Generalizable Learning in Imaging [4.396671464565882]
多様な取得条件のデータを共通参照領域に"調和"する新しいパラダイムを提案する。
我々は,MRIによる脳年齢予測と統合失調症の分類という,2つの問題に対して本手法を検証した。
論文 参考訳（メタデータ） (2020-10-11T22:01:37Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - Cross-Domain Few-Shot Classification via Learned Feature-Wise
Transformation [109.89213619785676]
各クラスにラベル付き画像がほとんどない新しいカテゴリを識別することを目的としている。
既存のメトリックベースの数ショット分類アルゴリズムは、クエリ画像の特徴埋め込みとラベル付き画像の特徴埋め込みを比較して、カテゴリを予測する。
有望な性能が証明されているが、これらの手法は目に見えない領域に一般化できないことが多い。
論文 参考訳（メタデータ） (2020-01-23T18:55:43Z)
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。