論文の概要: Agent Aggregator with Mask Denoise Mechanism for Histopathology Whole Slide Image Analysis

• arxiv url: http://arxiv.org/abs/2409.11664v1
• Date: Wed, 18 Sep 2024 03:02:19 GMT
• ステータス: 処理完了
• システム内更新日: 2024-09-19 19:19:53.400721
• Title: Agent Aggregator with Mask Denoise Mechanism for Histopathology Whole Slide Image Analysis
• Title（参考訳）: スライディング画像解析のためのマスク認知機構を有するエージェントアグリゲータ
• Authors: Xitong Ling, Minxi Ouyang, Yizhi Wang, Xinrui Chen, Renao Yan, Hongbo Chu, Junru Cheng, Tian Guan, Sufang Tian, Xiaoping Liu, Yonghong He,
• Abstract要約: 病理組織学的解析は, 臨床診断における金の基準である。スライディング画像全体(WSI)と関心領域(ROI)の正確な分類は, 病理医の診断に有効である。 弱教師付き学習では、多重インスタンス学習(MIL)がWSI分類に有望なアプローチを示す。 マスク認知機構を有するエージェントアグリゲータであるAMD-MILを提案する。
• 参考スコア（独自算出の注目度）: 6.708196053187949
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Histopathology analysis is the gold standard for medical diagnosis. Accurate classification of whole slide images (WSIs) and region-of-interests (ROIs) localization can assist pathologists in diagnosis. The gigapixel resolution of WSI and the absence of fine-grained annotations make direct classification and analysis challenging. In weakly supervised learning, multiple instance learning (MIL) presents a promising approach for WSI classification. The prevailing strategy is to use attention mechanisms to measure instance importance for classification. However, attention mechanisms fail to capture inter-instance information, and self-attention causes quadratic computational complexity. To address these challenges, we propose AMD-MIL, an agent aggregator with a mask denoise mechanism. The agent token acts as an intermediate variable between the query and key for computing instance importance. Mask and denoising matrices, mapped from agents-aggregated value, dynamically mask low-contribution representations and eliminate noise. AMD-MIL achieves better attention allocation by adjusting feature representations, capturing micro-metastases in cancer, and improving interpretability. Extensive experiments on CAMELYON-16, CAMELYON-17, TCGA-KIDNEY, and TCGA-LUNG show AMD-MIL's superiority over state-of-the-art methods.
• Abstract（参考訳）: 病理組織学的解析は診断における金の基準である。 スライド画像全体(WSI)と関心領域(ROI)の正確な分類は、病理医の診断に役立てることができる。 WSIのギガピクセル解像度と細かいアノテーションの欠如は、直接的な分類と分析を困難にしている。 弱教師付き学習では、多重インスタンス学習(MIL)がWSI分類に有望なアプローチを示す。 一般的な戦略は、注意機構を使用して分類のインスタンスの重要性を測定することである。 しかし、注意機構はインスタンス間の情報を捉えることができず、自己注意は2次計算の複雑さを引き起こす。 これらの課題に対処するために,マスク認知機構を備えたエージェントアグリゲータであるAMD-MILを提案する。 エージェントトークンは、クエリとキーの間の中間変数として機能し、インスタンスの重要性を計算します。 エージェント集約値からマッピングされたマスクおよびデノナイジング行列は、低寄与率表現を動的にマスクし、ノイズを除去する。 AMD-MILは、特徴表現を調整し、がんのマイクロメタスターゼを捕捉し、解釈可能性を向上させることにより、より優れた注意配分を実現する。 CAMELYON-16, CAMELYON-17, TCGA-KIDNEY, TCGA-LUNGの大規模実験では, AMD-MILが最先端手法よりも優れていることが示された。

関連論文リスト

• Rethinking Transformer for Long Contextual Histopathology Whole Slide Image Analysis [9.090504201460817]
  ヒストホイルスライド画像(英語版)(WSI)解析は、医師の日常業務における臨床がん診断のゴールドスタンダードとなっている。 従来の手法では、スライドレベルラベルのみを与えられたスライドレベルの予測を可能にするために、マルチパスラーニングが一般的であった。 大規模なWSIにおける長いシーケンスの計算複雑性を軽減するため、HIPTではリージョンスライシング、TransMILでは完全な自己アテンションの近似を採用している。
  論文  参考訳（メタデータ） (2024-10-18T06:12:36Z)
• Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
  我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。 また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
  論文  参考訳（メタデータ） (2024-08-18T12:15:22Z)
• Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement Learning [53.00683059396803]
  マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。 本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。 本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
  論文  参考訳（メタデータ） (2023-10-06T10:40:46Z)
• Optimizations of Autoencoders for Analysis and Classification of Microscopic In Situ Hybridization Images [68.8204255655161]
  同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。 分析するデータには教師なし学習モデルが必要です。
  論文  参考訳（メタデータ） (2023-04-19T13:45:28Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Mimicking a Pathologist: Dual Attention Model for Scoring of Gigapixel Histology Images [12.53157021039492]
  病理医による視覚検査を模倣する2つの主成分からなる新しい二重注意アプローチを提案する。 乳がんのHER2予測と,大腸癌に対する2つのMMRバイオマーカーのIntact/Loss像の予測の2つの異なるIHC症例に提案したモデルを応用した。
  論文  参考訳（メタデータ） (2023-02-19T22:26:25Z)
• 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)
• Fuzzy Attention Neural Network to Tackle Discontinuity in Airway Segmentation [67.19443246236048]
  気道セグメンテーションは肺疾患の検査、診断、予後に重要である。 いくつかの小型の気道支線(気管支や終端など)は自動セグメンテーションの難しさを著しく増す。 本稿では,新しいファジィアテンションニューラルネットワークと包括的損失関数を備える,気道セグメンテーションの効率的な手法を提案する。
  論文  参考訳（メタデータ） (2022-09-05T16:38:13Z)
• Transformer based multiple instance learning for weakly supervised histopathology image segmentation [7.449646821160063]
  病理組織像における画素レベルのセグメンテーションの弱教師付き手法を提案する。 Transformerはインスタンス間の関係を確立し、インスタンスがMIL内で互いに独立しているという欠点を解決する。 弱い教師付き手法におけるアノテーションの制限を克服するために、深い監督が導入されている。
  論文  参考訳（メタデータ） (2022-05-18T12:04:26Z)
• ScoreNet: Learning Non-Uniform Attention and Augmentation for Transformer-Based Histopathological Image Classification [11.680355561258427]
  高解像度画像はデジタル病理の進歩を妨げる。 パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。 本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。 局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
  論文  参考訳（メタデータ） (2022-02-15T16:55:09Z)

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。