Fugu-MT 論文翻訳(概要): Unleashing the Infinity Power of Geometry: A Novel Geometry-Aware Transformer (GOAT) for Whole Slide Histopathology Image Analysis

論文の概要: Unleashing the Infinity Power of Geometry: A Novel Geometry-Aware Transformer (GOAT) for Whole Slide Histopathology Image Analysis

arxiv url: http://arxiv.org/abs/2402.05373v1
Date: Thu, 8 Feb 2024 03:06:38 GMT
ステータス: 処理完了
システム内更新日: 2024-02-09 16:46:24.051368
Title: Unleashing the Infinity Power of Geometry: A Novel Geometry-Aware Transformer (GOAT) for Whole Slide Histopathology Image Analysis
Title（参考訳）: 幾何学の無限大力を解き放つ:全スライド病理組織像解析のための新しい幾何認識トランスフォーマー(goat)
Authors: Mingxin Liu, Yunzan Liu, Pengbo Xu, Jiquan Ma
Abstract要約: 病理組織学的解析は癌の診断と予後に極めて重要である。近年の手法はスライド画像全体の幾何学的表現を適切に活用していない。我々は、新しい弱い教師付きフレームワーク、Geometry-Aware Transformer (GOAT)を提案する。
参考スコア（独自算出の注目度）: 0.27309692684728615
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The histopathology analysis is of great significance for the diagnosis and prognosis of cancers, however, it has great challenges due to the enormous heterogeneity of gigapixel whole slide images (WSIs) and the intricate representation of pathological features. However, recent methods have not adequately exploited geometrical representation in WSIs which is significant in disease diagnosis. Therefore, we proposed a novel weakly-supervised framework, Geometry-Aware Transformer (GOAT), in which we urge the model to pay attention to the geometric characteristics within the tumor microenvironment which often serve as potent indicators. In addition, a context-aware attention mechanism is designed to extract and enhance the morphological features within WSIs.
Abstract（参考訳）: 病理組織学的解析はがんの診断と予後に非常に重要であるが,gigapixel whole slide image (wsis) の膨大な多様性と病理学的特徴の複雑な表現のために大きな課題がある。しかし,近年の方法では,WSIの幾何学的表現が十分に活用されていない。そこで我々は,腫瘍の微小環境における幾何学的特徴に注意を払うようモデルに促す,弱い教師付きフレームワークであるgeometry-aware transformer (goat)を提案する。さらに、WSI内の形態的特徴を抽出し、強化するコンテキスト対応アテンション機構を設計する。

関連論文リスト

Advances in Multiple Instance Learning for Whole Slide Image Analysis: Techniques, Challenges, and Future Directions [17.905234121399456]
全スライド画像(WSI)は、病理に広く用いられているH&E染色組織サンプルのギガピクセルスケールのデジタル画像である。 WSIのかなりのサイズと複雑さは、ユニークな分析上の課題を引き起こします。 MIL(Multiple Instance Learning)は、これらの課題に対処するための強力なアプローチとして登場した。
論文参考訳（メタデータ） (2024-08-18T13:45:27Z)
HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文参考訳（メタデータ） (2024-08-16T17:19:07Z)
Semantics-Aware Attention Guidance for Diagnosing Whole Slide Images [5.856390270089738]
我々はSemantics-Aware Attention Guidance(SAG)という新しいフレームワークを紹介する。 SAGは,1) 診断関連エンティティを注意信号に変換する技術,2) 意味的に重要な情報を効率的に統合する柔軟な注意損失を含む。 2つの異なるがんデータセットに対する実験は、精度、精度、リコールにおいて一貫した改善を示す。
論文参考訳（メタデータ） (2024-04-16T20:37:14Z)
Gravity Network for end-to-end small lesion detection [50.38534263407915]
本稿では,医療画像の小さな病変を特異的に検出するワンステージエンド・ツー・エンド検出器を提案する。小さな病変の正確な局在化は、その外観と、それらが見つかる様々な背景によって困難を呈する。この新たなアーキテクチャをGravityNetと呼び、新しいアンカーを重力点と呼ぶ。
論文参考訳（メタデータ） (2023-09-22T14:02:22Z)
Evolutionary Computation in Action: Feature Selection for Deep Embedding Spaces of Gigapixel Pathology Images [0.6037276428689636]
本稿では, 大規模多目的最適化(LSMOP)に基づくWSI表現の進化的アプローチを提案する。 The Cancer Genome Atlas(TC)画像を用いて,WSI表現,分類精度,特徴品質の観点から提案手法を検証した。提案した進化的アルゴリズムは、最先端の手法によって提供されるコードよりも8%高い精度でWSIを表現するための非常にコンパクトな特徴ベクトルを求める。
論文参考訳（メタデータ） (2023-03-02T03:36:15Z)
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)
Symmetry-Enhanced Attention Network for Acute Ischemic Infarct Segmentation with Non-Contrast CT Images [50.55978219682419]
急性虚血性梗塞セグメンテーションのための対称性増強型注意ネットワーク(SEAN)を提案する。提案するネットワークは、入力されたCT画像を、脳組織が左右対称な標準空間に自動的に変換する。提案したSEANは、ダイス係数と梗塞局所化の両方の観点から、対称性に基づく最先端の手法より優れている。
論文参考訳（メタデータ） (2021-10-11T07:13:26Z)
Learned super resolution ultrasound for improved breast lesion characterization [52.77024349608834]
超高分解能超音波局在顕微鏡は毛細血管レベルでの微小血管のイメージングを可能にする。この作業では、これらの課題に対処するために、信号構造を効果的に活用するディープニューラルネットワークアーキテクチャを使用します。トレーニングしたネットワークを利用することで,従来のPSF知識を必要とせず,UCAの分離性も必要とせず,短時間で微小血管構造を復元する。
論文参考訳（メタデータ） (2021-07-12T09:04:20Z)
Act Like a Radiologist: Towards Reliable Multi-view Correspondence Reasoning for Mammogram Mass Detection [49.14070210387509]
マンモグラム質量検出のための解剖学的グラフ畳み込みネットワーク(AGN)を提案する。 AGNはマンモグラムの質量検出用に調整されており、既存の検出手法を多視点推論能力で実現している。 2つの標準ベンチマークの実験によると、AGNは最先端のパフォーマンスを大幅に上回っている。
論文参考訳（メタデータ） (2021-05-21T06:48:34Z)
Computational analysis of pathological image enables interpretable prediction for microsatellite instability [5.774965366076466]
マイクロサテライト不安定症 (MSI) はいくつかの腫瘍タイプに関連付けられ, 患者治療決定の導出においてその地位はますます重要になっている。本研究は,医療専門家が自動的にMSIを識別するのを支援するために,病的画像解析戦略を確立するものである。これらの戦略は、ユビキタスなヘマトキシリンと、エオシンを染色した全スライド画像しか必要とせず、The Cancer Genome Atlasから収集された3つのコホートで十分な性能を発揮する。
論文参考訳（メタデータ） (2020-10-07T03:05:05Z)
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。