論文の概要: GPC: Generative and General Pathology Image Classifier

• arxiv url: http://arxiv.org/abs/2407.09035v1
• Date: Fri, 12 Jul 2024 06:54:31 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-16 00:26:50.023660
• Title: GPC: Generative and General Pathology Image Classifier
• Title（参考訳）: GPC:ジェネレーティブおよび一般的な病理画像分類器
• Authors: Anh Tien Nguyen, Jin Tae Kwak,
• Abstract要約: 本稿では,GPCと呼ばれるタスク依存型画像分類器を提案する。 GPCは、病理画像を高次元の特徴空間にマッピングし、テキストとして関連するクラスラベルを生成する。 我々は,4つの病理画像分類タスクに対して,GPCを6つのデータセットで評価した。
• 参考スコア（独自算出の注目度）: 2.6954348706500766
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep learning has been increasingly incorporated into various computational pathology applications to improve its efficiency, accuracy, and robustness. Although successful, most previous approaches for image classification have crucial drawbacks. There exist numerous tasks in pathology, but one needs to build a model per task, i.e., a task-specific model, thereby increasing the number of models, training resources, and cost. Moreover, transferring arbitrary task-specific model to another task is still a challenging problem. Herein, we propose a task-agnostic generative and general pathology image classifier, so called GPC, that aims at learning from diverse kinds of pathology images and conducting numerous classification tasks in a unified model. GPC, equipped with a convolutional neural network and a Transformer-based language model, maps pathology images into a high-dimensional feature space and generates pertinent class labels as texts via the image-to-text classification mechanism. We evaluate GPC on six datasets for four different pathology image classification tasks. Experimental results show that GPC holds considerable potential for developing an effective and efficient universal model for pathology image analysis.
• Abstract（参考訳）: ディープラーニングは、その効率、正確性、堅牢性を改善するために、様々な計算病理アプリケーションに組み込まれている。 画像分類における従来のアプローチは成功したが、重大な欠点がある。 病理学には多くのタスクがあるが、タスクごとにモデルを構築する必要がある。 さらに、任意のタスク固有のモデルを別のタスクに転送することは、依然として難しい問題である。 本稿では,多種多様な病理画像から学習し,多数の分類タスクを統一モデルで実行することを目的とした,GPCと呼ばれるタスク依存型画像分類器を提案する。 GPCは、畳み込みニューラルネットワークとトランスフォーマーベースの言語モデルを備え、病理画像を高次元の特徴空間にマッピングし、画像からテキストへの分類機構を介して、関連するクラスラベルをテキストとして生成する。 我々は,4つの病理画像分類タスクに対して,GPCを6つのデータセットで評価した。 実験の結果,GPCは病理画像解析のための効率的かつ効率的な普遍的モデルの開発にかなりの可能性を秘めていることが明らかとなった。

関連論文リスト

• CAMP: Continuous and Adaptive Learning Model in Pathology [4.0422818386776855]
  病理画像分類のためのCAMPにおける連続的適応学習モデルを提案する。 CAMPは生成的、効率的、適応的な分類モデルであり、任意の分類タスクに継続的に適応することができる。 我々はCAMPを17の分類タスクに対して,1,171,526のパッチと11,811の病理スライドを含む22のデータセットで評価した。
  論文  参考訳（メタデータ） (2024-07-12T06:45:37Z)
• A General-Purpose Self-Supervised Model for Computational Pathology [9.505290216109609]
  UNIは,10万以上の診断ヘマトキシリンおよびエオシンWSIから1億以上の組織パッチを事前訓練した,病理の汎用的自己管理モデルである。 CPathにおける新しいモデリング機能として,分解能診断組織分類,数発のクラスプロトタイプを用いたスライド分類,最大108種類のがんの分類における疾患サブタイプ一般化などを紹介した。
  論文  参考訳（メタデータ） (2023-08-29T17:52:10Z)
• Towards a Visual-Language Foundation Model for Computational Pathology [5.72536252929528]
  病理組織学(CONCH)におけるコントラスト学習について紹介する。 CONCHは、様々な組織像、生医学的テキスト、タスクに依存しない事前トレーニングのソースを用いて開発された視覚言語基盤モデルである。 13種類の多様なベンチマークで評価され, 画像分類, セグメンテーション, キャプション, テキスト・ツー・イメージ検索, 画像・テキスト検索における最先端のパフォーマンスを達成している。
  論文  参考訳（メタデータ） (2023-07-24T16:13:43Z)
• 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)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
  注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。 本稿では,生成逆U-Netという新しい生成手法を提案する。 当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
  論文  参考訳（メタデータ） (2021-01-12T23:02:26Z)
• 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)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Hierarchical Deep Convolutional Neural Networks for Multi-category Diagnosis of Gastrointestinal Disorders on Histopathological Images [0.0]
  本稿では,GI領域の異なる部位の生検画像の階層的分類と,その内における受容疾患について述べる。 提案手法は,373枚のスライド画像から独立した画像パッチを用いて評価した。
  論文  参考訳（メタデータ） (2020-05-08T06:05:09Z)

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。