論文の概要: Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images

• arxiv url: http://arxiv.org/abs/2405.15264v1
• Date: Fri, 24 May 2024 06:45:36 GMT
• ステータス: 処理完了
• システム内更新日: 2024-05-27 15:50:32.708835
• Title: Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images
• Title（参考訳）: 全スライド画像を用いた予後予測のための自己コントラスト弱監視学習フレームワーク
• Authors: Saul Fuster, Farbod Khoraminia, Julio Silva-Rodríguez, Umay Kiraz, Geert J. L. H. van Leenders, Trygve Eftestøl, Valery Naranjo, Emiel A. M. Janssen, Tahlita C. M. Zuiverloon, Kjersti Engan,
• Abstract要約: 予測は、基底の真理ラベルが本質的に弱いため、独特な挑戦となる。 そこで本研究では, ネットワークを用いた組織分割アルゴリズムを用いて, 関心領域の抽出を行う新しい3部フレームワークを提案する。 AUCは再発率0.721, 再発率0.678, 治療成績予測は0.678であった。
• 参考スコア（独自算出の注目度）: 3.6330373579181927
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We present a pioneering investigation into the application of deep learning techniques to analyze histopathological images for addressing the substantial challenge of automated prognostic prediction. Prognostic prediction poses a unique challenge as the ground truth labels are inherently weak, and the model must anticipate future events that are not directly observable in the image. To address this challenge, we propose a novel three-part framework comprising of a convolutional network based tissue segmentation algorithm for region of interest delineation, a contrastive learning module for feature extraction, and a nested multiple instance learning classification module. Our study explores the significance of various regions of interest within the histopathological slides and exploits diverse learning scenarios. The pipeline is initially validated on artificially generated data and a simpler diagnostic task. Transitioning to prognostic prediction, tasks become more challenging. Employing bladder cancer as use case, our best models yield an AUC of 0.721 and 0.678 for recurrence and treatment outcome prediction respectively.
• Abstract（参考訳）: 本稿では,ディープラーニング技術を用いた病理組織像解析の先駆的な研究を行い,自動予後予測の課題に対処する。 予測は、基底の真理ラベルが本質的に弱く、モデルがイメージ内で直接観測できない未来の事象を予測しなければならないため、ユニークな課題となる。 この課題に対処するために、関心領域の分離のための畳み込みネットワークに基づく組織分割アルゴリズム、特徴抽出のための対照的な学習モジュール、ネストされた複数インスタンス学習分類モジュールからなる新しい3部フレームワークを提案する。 本研究は, 病理組織学的スライドにおける各領域の意義を考察し, 多様な学習シナリオを生かした。 パイプラインは最初、人工的に生成されたデータと、より単純な診断タスクに基づいて検証される。 予知予測への移行により、タスクはより困難になる。 膀胱癌を症例として, 再発率0.721, 再発率0.678, 治療成績予測値0。

関連論文リスト

• Histopathology image embedding based on foundation models features aggregation for patient treatment response prediction [0.0]
  びまん性大細胞型B細胞リンパ腫患者に対する全スライド画像からの治療反応を予測する新しい方法を提案する。 本手法は, 組織小領域に対応する画像の局所的表現を得るために, 特徴抽出器としていくつかの基礎モデルを利用する。 本研究は152名の患者を対象とした実験で,本手法の有望な結果を示した。
  論文  参考訳（メタデータ） (2024-07-23T13:31:12Z)
• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• WEEP: A method for spatial interpretation of weakly supervised CNN models in computational pathology [0.36096289461554343]
  モデル解釈のための新しい方法 Wsi rEgion sElection aPproach (WEEP) を提案する。 乳がん計算病理領域における二分分類課題におけるWEEPについて検討した。
  論文  参考訳（メタデータ） (2024-03-22T14:32:02Z)
• Seeing Unseen: Discover Novel Biomedical Concepts via Geometry-Constrained Probabilistic Modeling [53.7117640028211]
  同定された問題を解決するために,幾何制約付き確率的モデリング処理を提案する。 構成された埋め込み空間のレイアウトに適切な制約を課すために、重要な幾何学的性質のスイートを組み込む。 スペクトルグラフ理論法は、潜在的な新規クラスの数を推定するために考案された。
  論文  参考訳（メタデータ） (2024-03-02T00:56:05Z)
• A Deep Reinforcement Learning Framework for Rapid Diagnosis of Whole Slide Pathological Images [4.501311544043762]
  本稿では,ネットワーク推論に要する時間を大幅に削減できる,弱教師付き深層強化学習フレームワークを提案する。 ニューラルネットワークを用いて,強化学習エージェントの探索モデルと決定モデルを構築する。 実験結果から,提案手法は画素レベルのアノテーションを使わずに,スライド画像全体の高速な推測と精度の予測が可能であることが示唆された。
  論文  参考訳（メタデータ） (2022-05-05T14:20:29Z)
• Intelligent Masking: Deep Q-Learning for Context Encoding in Medical Image Analysis [48.02011627390706]
  我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。 予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
  論文  参考訳（メタデータ） (2022-03-25T19:05:06Z)
• Data-driven generation of plausible tissue geometries for realistic photoacoustic image synthesis [53.65837038435433]
  光音響トモグラフィ(pat)は形態的および機能的組織特性を回復する可能性がある。 我々は,PATデータシミュレーションの新たなアプローチを提案し,これを「シミュレーションの学習」と呼ぶ。 我々は、意味的注釈付き医療画像データに基づいて訓練されたGAN(Generative Adversarial Networks)の概念を活用して、可塑性組織ジオメトリを生成する。
  論文  参考訳（メタデータ） (2021-03-29T11:30:18Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• Proactive Pseudo-Intervention: Causally Informed Contrastive Learning For Interpretable Vision Models [103.64435911083432]
  PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。 PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。 また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
  論文  参考訳（メタデータ） (2020-12-06T20:30:26Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。