論文の概要: DGR-MIL: Exploring Diverse Global Representation in Multiple Instance Learning for Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2407.03575v1
• Date: Thu, 4 Jul 2024 01:58:30 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-08 19:31:32.383227
• Title: DGR-MIL: Exploring Diverse Global Representation in Multiple Instance Learning for Whole Slide Image Classification
• Title（参考訳）: DGR-MIL:全スライド画像分類のための複数インスタンス学習における多元的グローバル表現の探索
• Authors: Wenhui Zhu, Xiwen Chen, Peijie Qiu, Aristeidis Sotiras, Abolfazl Razi, Yalin Wang,
• Abstract要約: 多様なグローバル表現(DGR-MIL)に基づく新しい多重インスタンス学習法を提案する。 提案モデルは,CAMELYON-16とTCGA肺がんデータセットにおいて,最先端のMIL集約モデルよりもかなり優れている。
• 参考スコア（独自算出の注目度）: 2.1835540289285706
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multiple instance learning (MIL) stands as a powerful approach in weakly supervised learning, regularly employed in histological whole slide image (WSI) classification for detecting tumorous lesions. However, existing mainstream MIL methods focus on modeling correlation between instances while overlooking the inherent diversity among instances. However, few MIL methods have aimed at diversity modeling, which empirically show inferior performance but with a high computational cost. To bridge this gap, we propose a novel MIL aggregation method based on diverse global representation (DGR-MIL), by modeling diversity among instances through a set of global vectors that serve as a summary of all instances. First, we turn the instance correlation into the similarity between instance embeddings and the predefined global vectors through a cross-attention mechanism. This stems from the fact that similar instance embeddings typically would result in a higher correlation with a certain global vector. Second, we propose two mechanisms to enforce the diversity among the global vectors to be more descriptive of the entire bag: (i) positive instance alignment and (ii) a novel, efficient, and theoretically guaranteed diversification learning paradigm. Specifically, the positive instance alignment module encourages the global vectors to align with the center of positive instances (e.g., instances containing tumors in WSI). To further diversify the global representations, we propose a novel diversification learning paradigm leveraging the determinantal point process. The proposed model outperforms the state-of-the-art MIL aggregation models by a substantial margin on the CAMELYON-16 and the TCGA-lung cancer datasets. The code is available at \url{https://github.com/ChongQingNoSubway/DGR-MIL}.
• Abstract（参考訳）: マルチプル・インスタンス・ラーニング (MIL) は弱い教師付き学習において強力なアプローチであり, 腫瘍病変を検出するための組織学的全スライド画像分類 (WSI) に定期的に用いられている。 しかし、既存のメインストリームのMILメソッドは、インスタンス間の固有多様性を見越しながら、インスタンス間の相関をモデル化することに焦点を当てている。 しかし、MIL法は、性能が劣るが計算コストが高く、多様性モデリングを目的とするものはほとんどない。 このギャップを埋めるために, 多様なグローバル表現(DGR-MIL)に基づく新しいMILアグリゲーション手法を提案する。 まず、インスタンス相関を、クロスアテンション機構を通じて、インスタンス埋め込みと予め定義された大域ベクトルの類似性に変換する。 これは、類似のインスタンス埋め込みが典型的にある大域ベクトルと高い相関関係をもたらすという事実に起因している。 第2に,グローバルベクトル間の多様性をバッグ全体を説明するための2つのメカニズムを提案する。 i) 正のインスタンスアライメントと (二)新奇で効率的で理論上保証された多様化学習パラダイム。 具体的には、正のインスタンスアライメントモジュールは、大域的なベクトルが正のインスタンス(例えばWSI内の腫瘍を含むインスタンス)の中心と整合するように促す。 グローバルな表現をさらに多様化させるため,決定点プロセスを活用する新しい多様化学習パラダイムを提案する。 提案モデルは,CAMELYON-16とTCGA肺がんデータセットにおいて,最先端のMIL集約モデルよりもかなり優れている。 コードは \url{https://github.com/ChongQingNoSubway/DGR-MIL} で公開されている。

関連論文リスト

• Multisource Collaborative Domain Generalization for Cross-Scene Remote Sensing Image Classification [57.945437355714155]
  クロスシーン画像分類は, 異なる分布領域のアノテート領域に, 地中物質の事前の知識を伝達することを目的としている。 既存のアプローチでは、未確認のターゲットドメインへの単一ソースドメインの一般化に重点を置いている。 マルチソースリモートセンシングデータの均一性と不均一性特性に基づく,新しいマルチソース協調型ドメイン一般化フレームワーク(MS-CDG)を提案する。
  論文  参考訳（メタデータ） (2024-12-05T06:15:08Z)
• Generalize or Detect? Towards Robust Semantic Segmentation Under Multiple Distribution Shifts [56.57141696245328]
  斬新なクラスとドメインの両方が存在するようなオープンワールドシナリオでは、理想的なセグメンテーションモデルは安全のために異常なクラスを検出する必要がある。 既存の方法はドメインレベルとセマンティックレベルの分散シフトを区別するのに苦労することが多い。
  論文  参考訳（メタデータ） (2024-11-06T11:03:02Z)
• cDP-MIL: Robust Multiple Instance Learning via Cascaded Dirichlet Process [23.266122629592807]
  マルチプル・インスタンス・ラーニング (MIL) は全スライス・ヒストパラメトリック・イメージ (WSI) 解析に広く応用されている。 MILの既存の集約戦略は、主にインスタンス間の一階距離に依存するが、各インスタンスの真の特徴分布を正確に近似することができない。 本稿では、複数のインスタンス学習のための新しいベイズ非パラメトリックフレームワークを提案し、WSIのインスタンス・ツー・バッグ特性を組み込むためにディリクレ・プロセスのカスケード(cDP)を採用する。
  論文  参考訳（メタデータ） (2024-07-16T07:28:39Z)
• MamMIL: Multiple Instance Learning for Whole Slide Images with State Space Models [56.37780601189795]
  本稿では,WSI分析のためのフレームワークMamMILを提案する。 私たちは各WSIを非指向グラフとして表現します。 マンバが1次元シーケンスしか処理できない問題に対処するために、トポロジ対応の走査機構を提案する。
  論文  参考訳（メタデータ） (2024-03-08T09:02:13Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
  ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。 近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。 ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-01T08:38:07Z)
• Multiplex-detection Based Multiple Instance Learning Network for Whole Slide Image Classification [2.61155594652503]
  マルチ・インスタンス・ラーニング(MIL)は、診断病理のためのスライド画像全体(WSI)を分類する強力な手法である。 本稿では,上記の問題に対処するために,MDMIL(Multiple-detection-based multiple instance learning)を提案する。 具体的には、MDMILは内部クエリ生成モジュール(IQGM)と多重検出モジュール(MDM)によって構成される。
  論文  参考訳（メタデータ） (2022-08-06T14:36:48Z)
• DGMIL: Distribution Guided Multiple Instance Learning for Whole Slide Image Classification [9.950131528559211]
  本稿では,WSI分類と正のパッチローカライゼーションのための機能分布ガイド付きディープMILフレームワークを提案する。 CAMELYON16 データセットと TCGA Lung Cancer データセットを用いた実験により,本手法はグローバルな分類と正のパッチローカライゼーションの両タスクにおいて,新たな SOTA を実現することが示された。
  論文  参考訳（メタデータ） (2022-06-17T16:04:30Z)
• Local Attention Graph-based Transformer for Multi-target Genetic Alteration Prediction [0.22940141855172028]
  MIL(LA-MIL)のための汎用ローカルアテンショングラフを用いたトランスフォーマを提案する。 LA-MILは消化器癌に対する突然変異予測において最先端の結果が得られることを実証した。 これは、局所的な自己保持がグローバルモジュールと同等の依存性を十分にモデル化していることを示唆している。
  論文  参考訳（メタデータ） (2022-05-13T14:24:24Z)
• Universal-RCNN: Universal Object Detector via Transferable Graph R-CNN [117.80737222754306]
  我々はUniversal-RCNNと呼ばれる新しいユニバーサルオブジェクト検出器を提案する。 まず、すべてのカテゴリの高レベルなセマンティック表現を統合することで、グローバルなセマンティックプールを生成する。 ドメイン内推論モジュールは、空間認識GCNによってガイドされる1つのデータセット内のスパースグラフ表現を学習し、伝播する。
  論文  参考訳（メタデータ） (2020-02-18T07:57:45Z)

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。