Fugu-MT 論文翻訳(概要): Zero-Shot Whole Slide Image Retrieval in Histopathology Using Embeddings of Foundation Models

論文の概要: Zero-Shot Whole Slide Image Retrieval in Histopathology Using Embeddings of Foundation Models

arxiv url: http://arxiv.org/abs/2409.04631v2
Date: Thu, 12 Sep 2024 15:37:30 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 13:26:31.507364
Title: Zero-Shot Whole Slide Image Retrieval in Histopathology Using Embeddings of Foundation Models
Title（参考訳）: 基礎モデルの埋め込みを用いた病理組織におけるゼロショット全スライド画像検索
Authors: Saghir Alfasly, Ghazal Alabtah, Sobhan Hemati, Krishna Rani Kalari, H. R. Tizhoosh,
Abstract要約: 本稿では,トップ1検索におけるF1スコアのマクロ平均,トップ3検索の多数,トップ5検索の多数について報告する。検査データとして,23の臓器と117の癌サブタイプからなるTGA,The Cancer Genome Atlasの診断スライドを用いた。
参考スコア（独自算出の注目度）: 1.8724535169356553
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We have tested recently published foundation models for histopathology for image retrieval. We report macro average of F1 score for top-1 retrieval, majority of top-3 retrievals, and majority of top-5 retrievals. We perform zero-shot retrievals, i.e., we do not alter embeddings and we do not train any classifier. As test data, we used diagnostic slides of TCGA, The Cancer Genome Atlas, consisting of 23 organs and 117 cancer subtypes. As a search platform we used Yottixel that enabled us to perform WSI search using patches. Achieved F1 scores show low performance, e.g., for top-5 retrievals, 27% +/- 13% (Yottixel-DenseNet), 42% +/- 14% (Yottixel-UNI), 40%+/-13% (Yottixel-Virchow), 41%+/-13% (Yottixel-GigaPath), and 41%+/-14% (GigaPath WSI).
Abstract（参考訳）: 我々は最近,画像検索のための病理組織学の基礎モデルを検証した。本稿では,トップ1検索におけるF1スコアのマクロ平均,トップ3検索の多数,トップ5検索の多数について報告する。ゼロショット検索、すなわち埋め込みを変更したり、分類器を訓練したりしない。検査データとして,23の臓器と117の癌サブタイプからなるTGA,The Cancer Genome Atlasの診断スライドを用いた。検索プラットフォームとして、パッチを使用してWSI検索を実行可能にするYottixelを使用しました。達成されたF1スコアは,トップ5検索では27%+/-13%(Yottixel-DenseNet),42%+/-14%(Yottixel-UNI),40%+/-13%(Yottixel-Virchow),41%+/-13%(Yottixel-GigaPath),41%+/-14%(GigaPath WSI)である。

関連論文リスト

Touchstone Benchmark: Are We on the Right Way for Evaluating AI Algorithms for Medical Segmentation? [90.30635552818875]
9種類の腹部臓器の大規模共同セグメント化ベンチマークであるTouchstoneを報告する。このベンチマークは、世界中の76の病院から5,195回のCTスキャンと、11の病院から5,903回のCTスキャンに基づいています。私たちは19のAIアルゴリズムの発明者14人を招待してアルゴリズムをトレーニングしましたが、私たちのチームは第三者として、3つのテストセットでこれらのアルゴリズムを独立して評価しました。
論文参考訳（メタデータ） (2024-11-06T05:09:34Z)
Brain Tumor Classification on MRI in Light of Molecular Markers [61.77272414423481]
1p/19q遺伝子の同時欠失は、低グレードグリオーマの臨床成績と関連している。本研究の目的は,MRIを用いた畳み込みニューラルネットワークを脳がん検出に活用することである。
論文参考訳（メタデータ） (2024-09-29T07:04:26Z)
Raising the Bar of AI-generated Image Detection with CLIP [50.345365081177555]
本研究の目的は、AI生成画像の普遍的検出のための事前学習された視覚言語モデル(VLM)の可能性を探ることである。我々は,CLIP機能に基づく軽量な検出戦略を開発し,その性能を様々な難易度シナリオで検証する。
論文参考訳（メタデータ） (2023-11-30T21:11:20Z)
APRIL-GAN: A Zero-/Few-Shot Anomaly Classification and Segmentation Method for CVPR 2023 VAND Workshop Challenge Tracks 1&2: 1st Place on Zero-shot AD and 4th Place on Few-shot AD [21.493718012180643]
本稿では,視覚異常・ノベルティ検出(VAND)2023チャレンジのZero/Few-shot Trackに対する解決策を提案する。提案手法はゼロショットトラックにおいて,特にセグメンテーションにおいて優れていた。数ショットのトラックでは、F1の分類スコアが全参加チームの中で第1位となり、総合4位を確保しました。
論文参考訳（メタデータ） (2023-05-27T06:24:43Z)
Differentiable Architecture Search with Random Features [80.31916993541513]
微分可能なアーキテクチャサーチ (DARTS) は、探索効率と効率性からNAS技術の発展を著しく促進してきたが、性能の低下に悩まされている。本稿では,BatchNormのトレーニングのみによるDARTSの性能崩壊問題を軽減するための取り組みを行う。
論文参考訳（メタデータ） (2022-08-18T13:55:27Z)
Histopathological Imaging Classification of Breast Tissue for Cancer Diagnosis Support Using Deep Learning Models [0.0]
ヘマトキシリンとエオシンはがん診断における金の標準であると考えられている。病理画像(WSI)を複数のパッチに分割するアイデアに基づいて,左から右へスライドし,上から下へスライドするウィンドウ[512,512]を,400イメージのデータセット上の拡張データに対して,各スライディングステップが50%重なり合うように使用した。 EffficientNetモデルは、高解像度の画像のトレーニングに適した、固定されたスケーリング要素のセットで、ネットワークの幅、深さ、解像度を均一にスケーリングする、最近開発されたモデルである。
論文参考訳（メタデータ） (2022-07-03T13:56:44Z)
COVID-19 Severity Classification on Chest X-ray Images [0.0]
本研究は,感染の重症度に基づいて画像の分類を行う。 ResNet-50モデルは精度95%、リコール(0.94)、F1スコア(0.92)、精度(0.91)で顕著な分類結果を得た。
論文参考訳（メタデータ） (2022-05-25T12:01:03Z)
WSSS4LUAD: Grand Challenge on Weakly-supervised Tissue Semantic Segmentation for Lung Adenocarcinoma [51.50991881342181]
この課題には10,091個のパッチレベルのアノテーションと1300万以上のラベル付きピクセルが含まれる。第一位チームは0.8413mIoUを達成した(腫瘍:0.8389、ストーマ:0.7931、正常:0.8919)。
論文参考訳（メタデータ） (2022-04-13T15:27:05Z)
POCOVID-Net: Automatic Detection of COVID-19 From a New Lung Ultrasound Imaging Dataset (POCUS) [0.5330327625867509]
我々は、新型コロナウイルス検出をガイドするために、より顕著な医療用超音波画像撮影の役割を提唱する。 64本の動画から肺超音波(POCUS)データセット(654 COVID-19,277 細菌性肺炎,172 健康管理)を採取した。この3つのクラスのデータセットでディープ畳み込みニューラルネットワーク(POCOVID-Net)をトレーニングし、89%の精度で、多数決で92%の精度でビデオに畳み込む。
論文参考訳（メタデータ） (2020-04-25T08:41:24Z)
HRank: Filter Pruning using High-Rank Feature Map [149.86903824840752]
我々は高階特徴写像(HRank)を探索する新しいフィルタ刈り法を提案する。私たちのHRankは、単一のフィルタで生成された複数の特徴マップの平均ランクが常に同じであるという発見にインスピレーションを受けています。 HRankに基づいて,低ランク特徴写像を持つプーンフィルタに数学的に定式化する手法を開発した。
論文参考訳（メタデータ） (2020-02-24T11:50:09Z)
A Generalized Deep Learning Framework for Whole-Slide Image Segmentation and Analysis [0.20065923589074736]
病理組織分析は癌診断と予後における金の基準と考えられている。深層学習に基づく技術は、さまざまな画像解析タスクにおいて、最先端の成果を提供している。本稿では,病理組織像解析のためのディープラーニングベースのフレームワークを提案する。
論文参考訳（メタデータ） (2020-01-01T18:05:44Z)

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。