Fugu-MT 論文翻訳(概要): Comparing ImageNet Pre-training with Digital Pathology Foundation Models for Whole Slide Image-Based Survival Analysis

論文の概要: Comparing ImageNet Pre-training with Digital Pathology Foundation Models for Whole Slide Image-Based Survival Analysis

arxiv url: http://arxiv.org/abs/2405.17446v2
Date: Sun, 10 Nov 2024 20:52:56 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-12 14:03:49.309507
Title: Comparing ImageNet Pre-training with Digital Pathology Foundation Models for Whole Slide Image-Based Survival Analysis
Title（参考訳）: 全スライド画像に基づく生存分析のための画像ネット事前学習とデジタル病理基盤モデルの比較
Authors: Kleanthis Marios Papadopoulos,
Abstract要約: このタスクのために提案された複数のマルチインスタンス学習フレームワークは、自然言語で事前トレーニングされたResNet50バックボーンを使用している。私たちのコードは受理時に公開されます。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: The abundance of information present in Whole Slide Images (WSIs) renders them an essential tool for survival analysis. Several Multiple Instance Learning frameworks proposed for this task utilize a ResNet50 backbone pre-trained on natural images. By leveraging recenetly released histopathological foundation models such as UNI and Hibou, the predictive prowess of existing MIL networks can be enhanced. Furthermore, deploying an ensemble of digital pathology foundation models yields higher baseline accuracy, although the benefits appear to diminish with more complex MIL architectures. Our code will be made publicly available upon acceptance.
Abstract（参考訳）: WSI(Whole Slide Images)に存在する情報の豊富さは、生存分析に欠かせないツールであることを示している。このタスクのために提案された複数のマルチインスタンス学習フレームワークは、自然言語で事前トレーニングされたResNet50バックボーンを使用している。 UNIやHibouのような再利用可能な病理基盤モデルを活用することで、既存のMILネットワークの予測能力を向上させることができる。さらに、デジタル病理基盤モデルのアンサンブルを配置すると、より高度なベースライン精度が得られるが、より複雑なMILアーキテクチャでは利点が低下しているように見える。私たちのコードは受理時に公開されます。

関連論文リスト

Foundation Models for Slide-level Cancer Subtyping in Digital Pathology [1.7641392161755438]
本研究の目的は,MIL フレームワークを用いて,WSI 上の癌サブタイプのための事前訓練戦略に基づいて開発された様々な特徴抽出器の性能を比較することである。その結果、6種類の皮膚がんの亜型を予測するために、イメージネットが事前訓練したモデルを超える基礎モデルの有効性が示された。
論文参考訳（メタデータ） (2024-10-21T11:04:58Z)
Inter-slice Super-resolution of Magnetic Resonance Images by Pre-training and Self-supervised Fine-tuning [49.197385954021456]
臨床実践では、2次元磁気共鳴(MR)シーケンスが広く採用されている。個々の2次元スライスを積み重ねて3次元ボリュームを形成できるが、比較的大きなスライスススペーシングは可視化とその後の解析タスクに課題をもたらす可能性がある。スライス間隔を低減するため,ディープラーニングに基づく超解像技術が広く研究されている。現在のほとんどのソリューションは、教師付きトレーニングのために、かなりの数の高解像度と低解像度の画像を必要とするが、通常は現実のシナリオでは利用できない。
論文参考訳（メタデータ） (2024-06-10T02:20:26Z)
DINOv2 based Self Supervised Learning For Few Shot Medical Image Segmentation [33.471116581196796]
少数のショットセグメンテーションは、限られたラベル付き例から新しいクラスを学ぶ能力を持つモデルを提供することで、有望なソリューションを提供する。 FSSの主要な手法はALPNetで、クエリイメージと数少ないサポートセグメントイメージの機能を比較する。本研究は, 高性能化だけでなく, より堅牢で適応可能な医用画像解析の道を開く, 少数ショットセグメンテーションへの新たなアプローチを提案する。
論文参考訳（メタデータ） (2024-03-05T19:13:45Z)
The Importance of Downstream Networks in Digital Pathology Foundation Models [1.689369173057502]
162のアグリゲーションモデル構成を持つ3つの異なるデータセットにまたがる7つの特徴抽出モデルを評価する。多くの特徴抽出器モデルの性能は顕著に類似していることが判明した。
論文参考訳（メタデータ） (2023-11-29T16:54:25Z)
Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文参考訳（メタデータ） (2023-04-20T11:40:21Z)
Slideflow: Deep Learning for Digital Histopathology with Real-Time Whole-Slide Visualization [49.62449457005743]
われわれはSlideflowと呼ばれる病理組織学のための柔軟なディープラーニングライブラリを開発した。デジタル病理学のための幅広い深層学習手法をサポートしている。トレーニングされたモデルをデプロイするための、高速な全スライドインターフェースが含まれている。
論文参考訳（メタデータ） (2023-04-09T02:49:36Z)
Multi-View Photometric Stereo Revisited [100.97116470055273]
多視点測光ステレオ(MVPS)は、画像から被写体を詳細に正確に3D取得する方法として好まれる。 MVPSは異方性や光沢などの他の対象物質と同様に,等方性に対しても有効である。提案手法は、複数のベンチマークデータセットで広範囲にテストした場合に、最先端の結果を示す。
論文参考訳（メタデータ） (2022-10-14T09:46:15Z)
Domain Generalization for Mammography Detection via Multi-style and Multi-view Contrastive Learning [47.30824944649112]
限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
論文参考訳（メタデータ） (2021-11-21T14:29:50Z)
Chest X-Rays Image Classification from beta-Variational Autoencoders Latent Features [0.0]
胸部X線(CXR)画像から情報を抽出するために,ディープラーニング(DL)技術を用いて検討し,解析する。ラベル付きCXRイメージの公開コレクションとしては最大規模のCheXpertデータセット上で,いくつかのβ-Variational Autoencoder(beta-VAE)モデルをトレーニングした。遅延機能は抽出され、他の機械学習モデルをトレーニングするために使用され、β-VAEによって抽出された特徴から元のイメージを分類することができる。
論文参考訳（メタデータ） (2021-09-29T23:28:09Z)
Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文参考訳（メタデータ） (2021-06-17T17:26:31Z)
Whole Slide Images based Cancer Survival Prediction using Attention Guided Deep Multiple Instance Learning Networks [38.39901070720532]
Whole Slide Images(WSIs)から派生したキーパッチやクラスタに制限される現在の画像ベースサバイバルモデル我々は,シムMI-FCNとアテンションベースMILプーリングの両方を導入して,Deep Attention Multiple Instance Survival Learning (DeepAttnMISL)を提案する。提案手法を2つの大きな癌全スライド画像データセットで評価した結果,提案手法がより効果的で,大規模データセットに適していることが示唆された。
論文参考訳（メタデータ） (2020-09-23T14:31:15Z)

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。