論文の概要: Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin
- arxiv url: http://arxiv.org/abs/2405.00908v1
- Date: Wed, 1 May 2024 23:40:12 GMT
- ステータス: 処理完了
- システム内更新日: 2024-05-03 18:23:47.318627
- Title: Transformer-Based Self-Supervised Learning for Histopathological Classification of Ischemic Stroke Clot Origin
- Title（参考訳）: トランスフォーマーを用いた自己監督学習による虚血性ストローククロートの起源の組織学的分類
- Authors: K. Yeh, M. S. Jabal, V. Gupta, D. F. Kallmes, W. Brinjikji, B. S. Erdal,
- Abstract要約: 虚血性脳卒中における血栓塞栓源の同定は治療と二次予防に不可欠である。
本研究は,虚血性脳梗塞の発生源を分類するためのエンボリのデジタル病理学における自己教師型深層学習アプローチについて述べる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Background and Purpose: Identifying the thromboembolism source in ischemic stroke is crucial for treatment and secondary prevention yet is often undetermined. This study describes a self-supervised deep learning approach in digital pathology of emboli for classifying ischemic stroke clot origin from histopathological images. Methods: The dataset included whole slide images (WSI) from the STRIP AI Kaggle challenge, consisting of retrieved clots from ischemic stroke patients following mechanical thrombectomy. Transformer-based deep learning models were developed using transfer learning and self-supervised pretraining for classifying WSI. Customizations included an attention pooling layer, weighted loss function, and threshold optimization. Various model architectures were tested and compared, and model performances were primarily evaluated using weighted logarithmic loss. Results: The model achieved a logloss score of 0.662 in cross-validation and 0.659 on the test set. Different model backbones were compared, with the swin_large_patch4_window12_384 showed higher performance. Thresholding techniques for clot origin classification were employed to balance false positives and negatives. Conclusion: The study demonstrates the extent of efficacy of transformer-based deep learning models in identifying ischemic stroke clot origins from histopathological images and emphasizes the need for refined modeling techniques specifically adapted to thrombi WSI. Further research is needed to improve model performance, interpretability, validate its effectiveness. Future enhancement could include integrating larger patient cohorts, advanced preprocessing strategies, and exploring ensemble multimodal methods for enhanced diagnostic accuracy.
- Abstract（参考訳）: 背景と目的: 虚血性脳卒中における血栓塞栓源の同定は治療に不可欠であり, 二次予防は未決定であることが多い。
本研究は,虚血性脳梗塞の起源を病理組織像から分類するために,塞栓のデジタル病理学における自己指導型深層学習アプローチについて述べる。
方法: このデータセットは,機械的血栓摘出術後の虚血性脳卒中患者から採取したクロートからなるSTRIP AI Kaggle Challengeの全スライド画像(WSI)を含む。
トランスフォーマーに基づくディープラーニングモデルは,WSI分類のためのトランスファーラーニングと自己教師付き事前学習を用いて開発された。
カスタマイズには、アテンションプーリング層、重み付き損失関数、しきい値最適化が含まれる。
各種モデルアーキテクチャを試験,比較し,重み付き対数損失を用いたモデル性能の評価を行った。
結果: クロスバリデーションでは0.662点, テストセットでは0.659点であった。
swin_large_patch4_window12_384は高い性能を示した。
偽陽性と負のバランスをとるために, クロート起源分類のための留置法が用いられた。
結論: 本研究は, 組織像から虚血性脳梗塞の起源を同定する上で, トランスフォーマーを用いた深層学習モデルの有効性を示すとともに, トロンビWSIに特化して適応する洗練されたモデリング技術の必要性を強調した。
モデルの性能、解釈可能性、有効性を検証するためには、さらなる研究が必要である。
将来の拡張には、より大きな患者コホートの統合、高度な前処理戦略、診断精度を高めるためのアンサンブル・マルチモーダル手法の探索が含まれる。
関連論文リスト
- Transfer Learning Strategies for Pathological Foundation Models: A Systematic Evaluation in Brain Tumor Classification [9.409646394828293]
大規模病理データセットで事前訓練された基礎モデルは、様々な診断タスクで有望な結果を示している。
原発性中枢神経性リンパ腫,転移性腫瘍の5種類の悪性腫瘍について検討した。
基礎モデルは,ケース毎に10パッチ程度の堅牢な分類性能を示し,ケース毎の画像サンプリングが必要とされるという従来の仮定に異議を唱えた。
論文 参考訳（メタデータ） (2025-01-19T11:18:34Z) - Innovative Silicosis and Pneumonia Classification: Leveraging Graph Transformer Post-hoc Modeling and Ensemble Techniques [2.7612447863077794]
本研究はシリケーシス関連肺炎症の分類と検出に関する包括的研究である。
我々は, 異なる薬剤による肺炎症のニュアンスに合わせて, SVBCXと命名された新しい胸部X線画像データセットを作成した。
本稿では,従来のディープニューラルネットワークモジュールとグラフトランスフォーマーネットワークを統合した新しいディープラーニングアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-12-31T16:03:43Z) - Classification of lung cancer subtypes on CT images with synthetic
pathological priors [41.75054301525535]
同症例のCT像と病理像との間には,画像パターンに大規模な関連性が存在する。
肺がんサブタイプをCT画像上で正確に分類するための自己生成型ハイブリッド機能ネットワーク(SGHF-Net)を提案する。
論文 参考訳（メタデータ） (2023-08-09T02:04:05Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Brain Imaging-to-Graph Generation using Adversarial Hierarchical Diffusion Models for MCI Causality Analysis [44.45598796591008]
機能的磁気共鳴画像(fMRI)を軽度認知障害解析のための効果的な接続性にマッピングするために,脳画像から画像へのBIGG(Brain Imaging-to-graph generation)フレームワークを提案する。
発電機の階層変換器は、複数のスケールでノイズを推定するように設計されている。
ADNIデータセットの評価は,提案モデルの有効性と有効性を示す。
論文 参考訳（メタデータ） (2023-05-18T06:54:56Z) - DeepTechnome: Mitigating Unknown Bias in Deep Learning Based Assessment
of CT Images [44.62475518267084]
私たちは、未知のバイアスに対するトレーニング中にディープラーニングモデルをデバイアスします。
制御領域は、バイアスに関する情報を伝達する代理として使用します。
強いバイアスを示すデータから学習する手法を応用し、対応する偏りのないデータを用いたトレーニングで観測された分類性能をほぼ完全に回復する。
論文 参考訳（メタデータ） (2022-05-26T12:18:48Z) - Ensembling Handcrafted Features with Deep Features: An Analytical Study
for Classification of Routine Colon Cancer Histopathological Nuclei Images [13.858624044986815]
我々は,F1-measure,Precision,Recall,AUC,Cross-Entropy Lossを用いて,提案手法の性能解析を行った。
以上の結果から,DL特徴のアンサンブルがモデル全体の性能を著しく向上させることが明らかとなった。
論文 参考訳（メタデータ） (2022-02-22T06:48:50Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Patient-independent Epileptic Seizure Prediction using Deep Learning
Models [39.19336481493405]
発作予知システムの目的は、発作が起こる前に起こる前頭前脳のステージを正常に識別することである。
患者に依存しない発作予測モデルは、データセット内の複数の被験者に正確なパフォーマンスを提供するように設計されている。
患者に依存しない2つの深層学習アーキテクチャを提案する。
論文 参考訳（メタデータ） (2020-11-18T23:13:48Z) - StyPath: Style-Transfer Data Augmentation For Robust Histology Image
Classification [6.690876060631452]
我々は,StyPathに基づくAMR分類のための,堅牢なディープニューラルネットワークを構築するための新しいパイプラインを提案する。
それぞれの画像は、1GTX V TITANとpytorchを使って1.84 + 0.03秒で生成された。
以上の結果から,本手法は組織学的分類性能を向上させることが示唆された。
論文 参考訳（メタデータ） (2020-07-09T18:02:49Z)
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。