論文の概要: C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading
- arxiv url: http://arxiv.org/abs/2403.04962v2
- Date: Mon, 13 May 2024 07:09:55 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-15 00:04:06.765880
- Title: C2P-GCN: Cell-to-Patch Graph Convolutional Network for Colorectal Cancer Grading
- Title（参考訳）: C2P-GCN: 大腸癌移植のための細胞間グラフ畳み込みネットワーク
- Authors: Sudipta Paul, Bulent Yener, Amanda W. Lund,
- Abstract要約: グラフベースの学習アプローチは、大腸癌組織像のグレード化にますます好まれている。
最近のグラフベースの手法では、スライドイメージ全体を小または中規模のパッチに分割し、各パッチにグラフを構築してトレーニングに使用する。
この方法は、WSI全体に存在する組織構造情報をキャプチャできず、画像パッチの膨大なデータセットからのトレーニングに依存します。
本稿では,2段階グラフ生成に基づく新しいセル・ツー・パッチグラフ畳み込みネットワーク(C2P-GCN)を提案する。
- 参考スコア（独自算出の注目度）: 2.570529808612886
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Graph-based learning approaches, due to their ability to encode tissue/organ structure information, are increasingly favored for grading colorectal cancer histology images. Recent graph-based techniques involve dividing whole slide images (WSIs) into smaller or medium-sized patches, and then building graphs on each patch for direct use in training. This method, however, fails to capture the tissue structure information present in an entire WSI and relies on training from a significantly large dataset of image patches. In this paper, we propose a novel cell-to-patch graph convolutional network (C2P-GCN), which is a two-stage graph formation-based approach. In the first stage, it forms a patch-level graph based on the cell organization on each patch of a WSI. In the second stage, it forms an image-level graph based on a similarity measure between patches of a WSI considering each patch as a node of a graph. This graph representation is then fed into a multi-layer GCN-based classification network. Our approach, through its dual-phase graph construction, effectively gathers local structural details from individual patches and establishes a meaningful connection among all patches across a WSI. As C2P-GCN integrates the structural data of an entire WSI into a single graph, it allows our model to work with significantly fewer training data compared to the latest models for colorectal cancer. Experimental validation of C2P-GCN on two distinct colorectal cancer datasets demonstrates the effectiveness of our method.
- Abstract（参考訳）: 組織・組織情報をエンコードするグラフベースの学習アプローチは、大腸癌組織像のグレード化にますます好まれている。
最近のグラフベースの手法では、スライドイメージ全体(WSI)を小または中規模のパッチに分割し、各パッチにグラフを構築してトレーニングに使用する。
しかし、この方法は、WSI全体に存在する組織構造情報をキャプチャできず、非常に大きな画像パッチのデータセットからのトレーニングに依存します。
本稿では,2段階グラフ生成に基づく新しいセル・ツー・パッチグラフ畳み込みネットワーク(C2P-GCN)を提案する。
最初の段階では、WSIの各パッチのセル構造に基づいたパッチレベルグラフを形成する。
第2段階では、各パッチをグラフのノードとみなすWSIのパッチ間の類似度尺度に基づいて、画像レベルグラフを形成する。
このグラフ表現は、多層GCNベースの分類ネットワークに入力される。
本手法は,2相グラフ構築により,個々のパッチから局所的構造の詳細を効果的に収集し,WSI全体にわたるパッチ間の有意義な接続を確立する。
C2P-GCNは、WSI全体の構造データを単一のグラフに統合するので、大腸癌の最新のモデルと比較して、トレーニングデータが非常に少ない。
C2P-GCNの2つの異なる大腸癌データセットに対する実験的検証により,本法の有効性が示された。
関連論文リスト
- From Cluster Assumption to Graph Convolution: Graph-based Semi-Supervised Learning Revisited [51.24526202984846]
グラフベースの半教師付き学習(GSSL)は、長い間ホットな研究トピックだった。
グラフ畳み込みネットワーク (GCN) は, 有望な性能を示す主要な技術となっている。
論文 参考訳（メタデータ） (2023-09-24T10:10:21Z) - Explainable and Position-Aware Learning in Digital Pathology [0.0]
本研究は, 位置埋め込みとグラフアテンションを用いて, WSIsからがんの分類を行う。
提案手法とがん診断, グレーディングにおける先行手法との比較により, 性能改善が確認できた。
WSIsにおける癌領域の同定は、がん診断におけるもう一つの重要な課題である。
論文 参考訳（メタデータ） (2023-06-14T01:53:17Z) - Structure-free Graph Condensation: From Large-scale Graphs to Condensed
Graph-free Data [91.27527985415007]
既存のグラフ凝縮法は、凝縮グラフ内のノードと構造の合同最適化に依存している。
我々は、大規模グラフを小さなグラフノード集合に蒸留する、SFGCと呼ばれる新しい構造自由グラフ凝縮パラダイムを提唱する。
論文 参考訳（メタデータ） (2023-06-05T07:53:52Z) - Graph Contrastive Learning for Skeleton-based Action Recognition [85.86820157810213]
骨格に基づく行動認識のためのグラフコントラスト学習フレームワークを提案する。
SkeletonGCLは、グラフをクラス識別に強制することで、シーケンス間のグラフ学習を関連付ける。
SkeletonGCLは新しいトレーニングパラダイムを確立し、現在のグラフ畳み込みネットワークにシームレスに組み込むことができる。
論文 参考訳（メタデータ） (2023-01-26T02:09:16Z) - Template based Graph Neural Network with Optimal Transport Distances [11.56532171513328]
現在のグラフニューラルネットワーク(GNN)アーキテクチャは、2つの重要なコンポーネントに依存している。
本稿では,学習可能なグラフテンプレートとの距離をグラフ表現のコアに配置する新しい視点を提案する。
この距離埋め込みは、Fused Gromov-Wasserstein (FGW) 距離という最適な輸送距離によって構築される。
論文 参考訳（メタデータ） (2022-05-31T12:24:01Z) - A graph-transformer for whole slide image classification [11.968797693846476]
本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。
本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
論文 参考訳（メタデータ） (2022-05-19T16:32:10Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Spectral Embedding of Graph Networks [76.27138343125985]
ローカルノードの類似性と接続性、グローバル構造をトレードオフする教師なしグラフ埋め込みを導入する。
埋め込みは一般化されたグラフ Laplacian に基づいており、固有ベクトルは1つの表現においてネットワーク構造と近傍近傍の両方をコンパクトにキャプチャする。
論文 参考訳（メタデータ） (2020-09-30T04:59:10Z) - Multi-Level Graph Convolutional Network with Automatic Graph Learning
for Hyperspectral Image Classification [63.56018768401328]
HSI分類のための自動グラフ学習法(MGCN-AGL)を用いたマルチレベルグラフ畳み込みネットワーク(GCN)を提案する。
空間的に隣接する領域における重要度を特徴付けるために注意機構を利用することで、最も関連性の高い情報を適応的に組み込んで意思決定を行うことができる。
MGCN-AGLは局所的に生成した表現表現に基づいて画像領域間の長距離依存性を符号化する。
論文 参考訳（メタデータ） (2020-09-19T09:26:20Z) - Latent-Graph Learning for Disease Prediction [44.26665239213658]
我々は,GCNの下流における疾患分類の課題に向けて,一つの最適なグラフを学習することが可能であることを示す。
一般的に用いられているスペクトルGCNアプローチとは異なり、我々のGCNは空間的かつ誘導的であり、これまで見られなかった患者も推測できる。
論文 参考訳（メタデータ） (2020-03-27T08:18:01Z) - K-Core based Temporal Graph Convolutional Network for Dynamic Graphs [19.237377882738063]
動的グラフのノード表現を学習するために,新しいk-coreベースの時間グラフ畳み込みネットワークであるCTGCNを提案する。
従来の動的グラフ埋め込み法とは対照的に、CTGCNは局所的な連結近接と大域的な構造的類似性の両方を保存できる。
7つの実世界のグラフに対する実験結果から、CTGCNは既存の最先端グラフの埋め込み方法よりもいくつかのタスクで優れていることが示された。
論文 参考訳（メタデータ） (2020-03-22T14:15:27Z)
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。