Fugu-MT 論文翻訳(概要): Pan-cancer Histopathology WSI Pre-training with Position-aware Masked Autoencoder

論文の概要: Pan-cancer Histopathology WSI Pre-training with Position-aware Masked Autoencoder

arxiv url: http://arxiv.org/abs/2407.07504v2
Date: Mon, 15 Jul 2024 12:15:50 GMT
ステータス: 処理完了
システム内更新日: 2024-07-16 13:41:05.214458
Title: Pan-cancer Histopathology WSI Pre-training with Position-aware Masked Autoencoder
Title（参考訳）: 位置認識型マスクオートエンコーダを用いたパン・カンサー組織学WSI事前トレーニング
Authors: Kun Wu, Zhiguo Jiang, Kunming Tang, Jun Shi, Fengying Xie, Wei Wang, Haibo Wu, Yushan Zheng,
Abstract要約: 設計した位置認識マスク付きオートエンコーダ(PAMA)を用いたパンカンサーWSIレベルの事前学習のための新しい自己教師型学習フレームワークを提案する。その結果, PAMAがWSI表現学習の一般化と差別化に有効であること, パン・カンサーWSI事前学習の有効性が示された。
参考スコア（独自算出の注目度）: 14.59121417368325
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Large-scale pre-training models have promoted the development of histopathology image analysis. However, existing self-supervised methods for histopathology images focus on learning patch features, while there is still a lack of available pre-training models for WSI-level feature learning. In this paper, we propose a novel self-supervised learning framework for pan-cancer WSI-level representation pre-training with the designed position-aware masked autoencoder (PAMA). Meanwhile, we propose the position-aware cross-attention (PACA) module with a kernel reorientation (KRO) strategy and an anchor dropout (AD) mechanism. The KRO strategy can capture the complete semantic structure and eliminate ambiguity in WSIs, and the AD contributes to enhancing the robustness and generalization of the model. We evaluated our method on 6 large-scale datasets from multiple organs for pan-cancer classification tasks. The results have demonstrated the effectiveness of PAMA in generalized and discriminative WSI representation learning and pan-cancer WSI pre-training. The proposed method was also compared with 7 WSI analysis methods. The experimental results have indicated that our proposed PAMA is superior to the state-of-the-art methods.The code and checkpoints are available at https://github.com/WkEEn/PAMA.
Abstract（参考訳）: 大規模な事前トレーニングモデルにより、病理画像解析の開発が促進されている。しかし、既存の病理組織像の自己管理手法は、パッチの特徴を学習することに重点を置いているが、WSIレベルの特徴学習のための事前学習モデルがまだ存在しない。本稿では,設計した位置対応マスク付きオートエンコーダ(PAMA)を用いたパンキャンセリングWSIレベルの事前学習のための,新しい自己教師型学習フレームワークを提案する。一方,カーネルリオリエンテーション(KRO)戦略とアンカードロップアウト(AD)機構を備えた位置認識型クロスアテンション(PACA)モジュールを提案する。 KRO戦略は、WSIの完全な意味構造を捉え、あいまいさを排除し、ADはモデルの堅牢性と一般化の強化に寄与する。複数の臓器から得られた6つの大規模データセットを用いて,パン・カンサー分類タスクについて検討した。その結果, PAMAがWSI表現学習の一般化と差別化に有効であること, パン・カンサーWSI事前学習の有効性が示された。また,提案手法を7つのWSI解析法と比較した。実験の結果,提案したPAMAは最先端の手法よりも優れており,コードとチェックポイントはhttps://github.com/WkEEn/PAMAで公開されている。

関連論文リスト

An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
論文参考訳（メタデータ） (2024-07-16T08:21:54Z)
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)
A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文参考訳（メタデータ） (2024-02-09T05:05:28Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
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)
Context-Aware Self-Supervised Learning of Whole Slide Images [0.0]
本研究では, 新たな2段階学習手法を提案する。 WSI内のすべての領域間の依存関係をキャプチャするグラフ表現は非常に直感的です。スライド全体はグラフとして表示され、ノードはWSIのパッチに対応する。提案したフレームワークは、前立腺癌と腎癌からのWSIを用いてテストされる。
論文参考訳（メタデータ） (2023-06-07T20:23:05Z)
Weakly Supervised Joint Whole-Slide Segmentation and Classification in Prostate Cancer [8.790852468118208]
WholeSIGHTは、Whole-Slide画像の分類と分類を行う弱い教師付き手法である。前立腺癌3例のWSIデータセットを用いてWholeSIGHTを評価した。
論文参考訳（メタデータ） (2023-01-07T20:38:36Z)
Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
論文参考訳（メタデータ） (2022-11-29T23:47:56Z)
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2022-07-04T07:05:06Z)
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)
A Self-Supervised Gait Encoding Approach with Locality-Awareness for 3D Skeleton Based Person Re-Identification [65.18004601366066]
3Dスケルトン配列内の歩行特徴による人物再識別(Re-ID)は、いくつかの利点を持つ新しい話題である。本稿では、ラベルのない骨格データを利用して人物の歩行表現を学習できる自己教師付き歩行符号化手法を提案する。
論文参考訳（メタデータ） (2020-09-05T16:06:04Z)

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。