論文の概要: A Good Feature Extractor Is All You Need for Weakly Supervised Pathology
Slide Classification
- arxiv url: http://arxiv.org/abs/2311.11772v4
- Date: Tue, 5 Mar 2024 17:56:20 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-07 01:39:06.932695
- Title: A Good Feature Extractor Is All You Need for Weakly Supervised Pathology
Slide Classification
- Title(参考訳): 良い特徴抽出器は、弱い教師付き病理学スライド分類に必要な全てである
- Authors: Georg W\"olflein, Dyke Ferber, Asier Rabasco Meneghetti, Omar S. M. El
Nahhas, Daniel Truhn, Zunamys I. Carrero, David J. Harrison, Ognjen
Arandjelovi\'c, Jakob N. Kather
- Abstract要約: 染色正規化と画像強調は下流のスライドレベルの分類性能を損なうことはない。
我々は、最も公開性の高い抽出器を特定し、それらの潜伏空間は、回転のような染色や強化のバリエーションに対して著しく堅牢であることを示す。
本研究は,前処理の必要性を最小化し,特徴抽出器の選択を通知することで,デジタル病理の合理化を図っている。
- 参考スコア(独自算出の注目度): 8.705573955403585
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Stain normalisation is thought to be a crucial preprocessing step in
computational pathology pipelines. We question this belief in the context of
weakly supervised whole slide image classification, motivated by the emergence
of powerful feature extractors trained using self-supervised learning on
diverse pathology datasets. To this end, we performed the most comprehensive
evaluation of publicly available pathology feature extractors to date,
involving more than 8,000 training runs across nine tasks, five datasets, three
downstream architectures, and various preprocessing setups. Notably, we find
that omitting stain normalisation and image augmentations does not compromise
downstream slide-level classification performance, while incurring substantial
savings in memory and compute. Using a new evaluation metric that facilitates
relative downstream performance comparison, we identify the best publicly
available extractors, and show that their latent spaces are remarkably robust
to variations in stain and augmentations like rotation. Contrary to previous
patch-level benchmarking studies, our approach emphasises clinical relevance by
focusing on slide-level biomarker prediction tasks in a weakly supervised
setting with external validation cohorts. Our findings stand to streamline
digital pathology workflows by minimising preprocessing needs and informing the
selection of feature extractors. Code and data are available at
https://georg.woelflein.eu/good-features.
- Abstract(参考訳): 定常正規化は、計算病理学パイプラインにおいて重要な前処理ステップであると考えられている。
この信念は,多種多様な病理データセットを用いた自己教師付き学習を用いて訓練した強力な特徴抽出器の出現を動機として,弱教師付き全スライド画像分類の文脈において疑問を呈する。
この目的のために,9つのタスク,5つのデータセット,3つのダウンストリームアーキテクチャ,さまざまな前処理セットアップにわたる8000以上のトレーニングの実行を含む,現在利用可能な病的特徴抽出器の総合的な評価を行った。
特に,汚れの正規化や画像拡張の省略は下流のスライドレベルの分類性能を損なうことなく,メモリと計算の大幅な節約を伴っている。
比較的下流のパフォーマンス比較を容易にする新しい評価指標を用いて, 最良な抽出器を特定し, それらの潜在空間が, 染色や回転などの増強の変動に対して著しく頑健であることを示す。
従来のパッチレベルのベンチマーク研究とは対照的に,本手法は,外部検証コホートを用いた弱い監督条件下でのスライドレベルのバイオマーカー予測タスクに焦点をあてて臨床関連性を強調する。
本研究は,前処理ニーズを最小化し,特徴抽出器の選択を知らせることで,デジタル病理ワークフローを合理化する。
コードとデータはhttps://georg.woelflein.eu/good-featuresで入手できる。
関連論文リスト
- Low-resource finetuning of foundation models beats state-of-the-art in
histopathology [3.4577420145036375]
病理組織学データの特徴抽出器として最も人気のある視覚基盤モデルをベンチマークする。
データセットに応じて、単一のGPU上のファンデーションモデルをわずか2時間から3日で微調整することで、最先端の機能抽出器にマッチまたは性能を向上することができる。
これは、大量のリソースとデータセットを持つ機関だけが特徴抽出器を訓練できる、現在の状態からかなり変化している。
論文 参考訳(メタデータ) (2024-01-09T18:46:59Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Unsupervised Mutual Transformer Learning for Multi-Gigapixel Whole Slide
Image Classification [18.452105665665858]
相互変換学習に基づく完全教師なしWSI分類アルゴリズムを提案する。
正常とがんのインスタンスラベリングを改善するために識別学習機構を導入する。
教師なし分類に加えて,下流分析として癌サブタイプ分類の弱監督のための枠組みの有効性を実証する。
論文 参考訳(メタデータ) (2023-05-03T10:54:18Z) - Weakly Supervised Intracranial Hemorrhage Segmentation using Head-Wise
Gradient-Infused Self-Attention Maps from a Swin Transformer in Categorical
Learning [0.6269243524465492]
頭蓋内出血(ICH、Intracranial hemorrhage)は、タイムリーな診断と正確な治療を必要とする救命救急疾患である。
深層学習技術は、医用画像解析と処理の先駆的なアプローチとして現れてきた。
ICH分類タスクで訓練されたSwin変換器と分類ラベルを併用した,新しいICHセグメンテーション手法を提案する。
論文 参考訳(メタデータ) (2023-04-11T00:17:34Z) - Rethinking Semi-Supervised Medical Image Segmentation: A
Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。
まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。
5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文 参考訳(メタデータ) (2023-02-03T13:50:25Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Self-supervised driven consistency training for annotation efficient
histopathology image analysis [13.005873872821066]
大きなラベル付きデータセットでニューラルネットワークをトレーニングすることは、計算病理学において依然として支配的なパラダイムである。
本研究では,非教師付き表現学習のための強力な監視信号を学ぶために,ヒストロジ全体スライディング画像の背景となる多段階的文脈的手がかりを利用する自己教師付きプレテキストタスクを提案する。
また,タスク固有の未ラベルデータとの予測整合性に基づいて,事前学習した表現を下流タスクに効果的に転送することを学ぶ教師による半教師付き一貫性パラダイムを提案する。
論文 参考訳(メタデータ) (2021-02-07T19:46:21Z) - Towards Robust Partially Supervised Multi-Structure Medical Image
Segmentation on Small-Scale Data [123.03252888189546]
データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。
マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。
本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
論文 参考訳(メタデータ) (2020-11-28T16:31:00Z) - Deep Semi-supervised Knowledge Distillation for Overlapping Cervical
Cell Instance Segmentation [54.49894381464853]
本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。
摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。
実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
論文 参考訳(メタデータ) (2020-07-21T13:27:09Z) - A Trainable Optimal Transport Embedding for Feature Aggregation and its
Relationship to Attention [96.77554122595578]
固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。
我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
論文 参考訳(メタデータ) (2020-06-22T08:35:58Z) - Joint Learning of Vessel Segmentation and Artery/Vein Classification
with Post-processing [27.825969553813092]
血管分節と動脈・静脈の分類は、潜在的な疾患について様々な情報を提供する。
我々は、UNetベースのモデルSeqNetを採用し、背景から船舶を正確に分割し、船舶のタイプを予測する。
実験の結果,AUCを0.98に改善し,DRIVEデータセットの分類精度は0.92に向上した。
論文 参考訳(メタデータ) (2020-05-27T13:06:16Z)
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。