論文の概要: Creating an Atlas of Normal Tissue for Pruning WSI Patching Through Anomaly Detection

• arxiv url: http://arxiv.org/abs/2310.03106v1
• Date: Wed, 4 Oct 2023 18:51:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-10-06 20:43:38.382794
• Title: Creating an Atlas of Normal Tissue for Pruning WSI Patching Through Anomaly Detection
• Title（参考訳）: 異常検出によるWSIパッチングのための正常組織アトラスの作成
• Authors: Peyman Nejat, Areej Alsaafin, Ghazal Alabtah, Nneka Comfere, Aaron Mangold, Dennis Murphree, Patricija Zot, Saba Yasir, Joaquin J. Garcia, H.R. Tizhoosh
• Abstract要約: 正常組織生検から得られたWSIのサンプルを用いて「正常組織アトラス」の概念を提案し,検証した。 提案法は, 悪性・悪性のWSI病変の最も代表的パッチを無監督で選択できることを示唆する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Patching gigapixel whole slide images (WSIs) is an important task in computational pathology. Some methods have been proposed to select a subset of patches as WSI representation for downstream tasks. While most of the computational pathology tasks are designed to classify or detect the presence of pathological lesions in each WSI, the confounding role and redundant nature of normal histology in tissue samples are generally overlooked in WSI representations. In this paper, we propose and validate the concept of an "atlas of normal tissue" solely using samples of WSIs obtained from normal tissue biopsies. Such atlases can be employed to eliminate normal fragments of tissue samples and hence increase the representativeness collection of patches. We tested our proposed method by establishing a normal atlas using 107 normal skin WSIs and demonstrated how established indexes and search engines like Yottixel can be improved. We used 553 WSIs of cutaneous squamous cell carcinoma (cSCC) to show the advantage. We also validated our method applied to an external dataset of 451 breast WSIs. The number of selected WSI patches was reduced by 30% to 50% after utilizing the proposed normal atlas while maintaining the same indexing and search performance in leave-one-patinet-out validation for both datasets. We show that the proposed normal atlas shows promise for unsupervised selection of the most representative patches of the abnormal/malignant WSI lesions.
• Abstract（参考訳）: ギガピクセル全体のスライド画像(WSI)のパッチングは、計算病理学において重要な課題である。 下流タスクのWSI表現としてパッチのサブセットを選択する方法が提案されている。 計算病理学のタスクのほとんどはwsiの各病巣の存在を分類または検出するために設計されているが、組織サンプルにおける正常な組織学の確立された役割と冗長性は、一般にwsi表現では見過ごされている。 本稿では,正常組織生検から得られたWSIのサンプルのみを用いた「正常組織アトラス」の概念を提案し,検証する。 このようなアトラスは、組織サンプルの正常な断片を除去し、パッチの代表性を高めるために用いられる。 107個の正常な皮膚WSIを用いて正常なアトラスを確立することで提案手法を検証し,Yottixelのような既存のインデックスや検索エンジンをどのように改善できるかを実証した。 今回,皮膚扁平上皮癌(cSCC)の553 WSIを用いて検討した。 また,本手法を451乳房wsisの外部データセットに適用した。 選択されたwsiパッチの数は、提案された通常のatlasを使用して30%から50%削減され、両方のデータセットで同じインデックス付けと検索性能を維持した。 提案法は, 悪性・悪性のWSI病変の最も代表的パッチを無監督で選択できることを示唆する。

関連論文リスト

• 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)
• Selection of Distinct Morphologies to Divide & Conquer Gigapixel Pathology Images [0.8246494848934447]
  全スライド画像(WSI)は、複雑な組織構造を示す巨大なデジタル病理ファイルである。 WSIパッチのサブセットを選択するためのSDM(Select of Distinct Morphologies)。 モンタージュ」は、私たちが「モンタージュ」と呼ぶものを形成する。
  論文  参考訳（メタデータ） (2023-11-16T13:54:38Z)
• Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
  弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。 I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
  論文  参考訳（メタデータ） (2023-08-31T05:05:53Z)
• LESS: Label-efficient Multi-scale Learning for Cytological Whole Slide Image Screening [19.803614403803962]
  スライドレベルラベルのみを用いた細胞学的WSI解析において,LESSと呼ばれる弱教師付きラベル効率WSIスクリーニング法を提案する。 スライドレベルのラベルを用いて適切な監視を行い、パッチレベルの特徴の学習を改善する。 病理組織WSIにおける最新のMIL法よりも優れており、細胞学的WSI検診の自動化を実現している。
  論文  参考訳（メタデータ） (2023-06-06T05:09:20Z)
• The ACROBAT 2022 Challenge: Automatic Registration Of Breast Cancer Tissue [42.91349614568074]
  ACROBATの課題は、1,152人の乳癌患者の4,212人のWSIを含む、これまでで最大のWSI登録データセットに基づいていた。 異なるWSI特性の影響の調査を含む,8つのWSI登録アルゴリズムの性能を比較した。 これらの結果は、WSI登録における現状を確立し、方法の選択と開発について研究者を指導する。
  論文  参考訳（メタデータ） (2023-05-29T11:53:12Z)
• 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)
• MAPPING: Model Average with Post-processing for Stroke Lesion Segmentation [57.336056469276585]
  我々は nnU-Net フレームワークに基づく脳卒中病変のセグメンテーションモデルを提案し, ストローク後の解剖学的トレースに応用する。 本手法は,2022年のMICCAI ATLAS Challengeにおいて,平均Diceスコアが0.6667,Lesion-wise F1スコアが0.5643,Simple Lesion Countスコアが4.5367,Volume differenceスコアが8804.9102であった。
  論文  参考訳（メタデータ） (2022-11-11T14:17:04Z)
• Kernel Attention Transformer (KAT) for Histopathology Whole Slide Image Classification [15.49319477737895]
  病理組織学的WSI分類のためのカーネルアテンショントランスフォーマー(KAT)を提案する。 提案したKATは、WSIの局所領域の階層的コンテキスト情報をよりよく記述することができる。 病理組織学的WSI分類の課題において,提案したKATが有効かつ効果的であることを示す実験結果が得られた。
  論文  参考訳（メタデータ） (2022-06-27T10:00:12Z)
• WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
  この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。 第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
  論文  参考訳（メタデータ） (2022-04-13T15:27:05Z)
• Conditional Deep Convolutional Neural Networks for Improving the Automated Screening of Histopathological Images [0.76146285961466]
  実行時に出力を条件付け可能な条件付き完全畳み込みネットワーク(co-FCN)を提案する。 私たちは、CAMELYON17データセットに存在する5つの医療センターのうち3つから、WSI(Whole Slide Images)でそれをトレーニングしました。 条件なしのデータセットでトレーニングしたU-Netに対して,提案手法をベンチマークした。
  論文  参考訳（メタデータ） (2021-05-29T16:42:12Z)
• Semantic Segmentation of Histopathological Slides for the Classification of Cutaneous Lymphoma and Eczema [4.4154284772781525]
  真菌症(Mycosis fungoides, MF)は、皮膚疾患を発症する稀な疾患である。 病理医の意思決定プロセスに2倍の価値をもたらす深層学習支援診断ツールを導入する。
  論文  参考訳（メタデータ） (2020-09-10T13:49:38Z)

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。