論文の概要: Efficient Classification of Histopathology Images

• arxiv url: http://arxiv.org/abs/2409.13720v1
• Date: Sun, 8 Sep 2024 17:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2024-11-07 05:35:28.697867
• Title: Efficient Classification of Histopathology Images
• Title（参考訳）: 病理組織像の効率的な分類法
• Authors: Mohammad Iqbal Nouyed, Mary-Anne Hartley, Gianfranco Doretto, Donald A. Adjeroh,
• Abstract要約: 腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。 これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。
• 参考スコア（独自算出の注目度）: 5.749787074942512
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: This work addresses how to efficiently classify challenging histopathology images, such as gigapixel whole-slide images for cancer diagnostics with image-level annotation. We use images with annotated tumor regions to identify a set of tumor patches and a set of benign patches in a cancerous slide. Due to the variable nature of region of interest the tumor positive regions may refer to an extreme minority of the pixels. This creates an important problem during patch-level classification, where the majority of patches from an image labeled as 'cancerous' are actually tumor-free. This problem is different from semantic segmentation which associates a label to every pixel in an image, because after patch extraction we are only dealing with patch-level labels.Most existing approaches address the data imbalance issue by mitigating the data shortage in minority classes in order to prevent the model from being dominated by the majority classes. These methods include data re-sampling, loss re-weighting, margin modification, and data augmentation. In this work, we mitigate the patch-level class imbalance problem by taking a divide-and-conquer approach. First, we partition the data into sub-groups, and define three separate classification sub-problems based on these data partitions. Then, using an information-theoretic cluster-based sampling of deep image patch features, we sample discriminative patches from the sub-groups. Using these sampled patches, we build corresponding deep models to solve the new classification sub-problems. Finally, we integrate information learned from the respective models to make a final decision on the patches. Our result shows that the proposed approach can perform competitively using a very low percentage of the available patches in a given whole-slide image.
• Abstract（参考訳）: この研究は、画像レベルのアノテーションを用いたがん診断のためのギガピクセル全スライディング画像などの、挑戦的な病理像を効率的に分類する方法に対処する。 腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。 興味のある領域の変動の性質のため、腫瘍陽性領域はピクセルの極端に少数派を指すことがある。 これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。 この問題は、パッチ抽出後にのみパッチレベルのラベルを扱うため、画像内の各ピクセルにラベルを関連付けるセグメンテーションとは違い、既存のアプローチでは、モデルが多数派によって支配されるのを防ぐために、マイノリティクラスのデータ不足を軽減することで、データ不均衡の問題に対処している。 これらの手法には、データ再サンプリング、損失再重み付け、マージン修正、データ拡張が含まれる。 本研究では,パッチレベルのクラス不均衡問題を分散・コンカレントアプローチにより緩和する。 まず、データをサブグループに分割し、これらのデータ分割に基づいて3つの分類サブプロブレムを定義する。 次に,情報理論的クラスタによる深部画像パッチ特徴のサンプリングを用いて,サブグループから識別パッチをサンプリングする。 これらのサンプルパッチを用いて、新しい分類サブプロブレムを解決するために対応する深層モデルを構築する。 最後に、各モデルから得られた情報を統合することにより、パッチに関する最終的な決定を行う。 提案手法は,所定の全スライディング画像において,利用可能なパッチの極めて低い割合を用いて,競合的に実行可能であることを示す。

関連論文リスト

• Learning from Partial Label Proportions for Whole Slide Image Segmentation [10.360348400670519]
  不完全なラベルの比率を利用して,全スライド画像(WSI)における腫瘍サブタイプのセグメンテーションに対処する。 本稿では2つの弱教師付き学習サブプロブレムに分解することで,この問題に対する効率的なアルゴリズムを提案する。 提案アルゴリズムの有効性は,2つのWSIデータセットを用いた実験によって実証される。
  論文  参考訳（メタデータ） (2024-05-15T02:29:16Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• 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)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Fast whole-slide cartography in colon cancer histology using superpixels and CNN classification [0.22312377591335414]
  通常、全体スライディングイメージは小さなパッチに分割され、機械学習ベースのアプローチを使用して個別に分析される。 本稿では,画像の分類に先立って,視覚的に類似した画像画素をより大きなセグメント,すなわちスーパーピクセルに分類することで,画像をコヒーレントな領域に分割することを提案する。 このアルゴリズムは手書きの大腸切除画像159枚のデータセットを用いて開発・検証され,その性能は標準的なパッチベースアプローチと比較されている。
  論文  参考訳（メタデータ） (2021-06-30T08:34:06Z)
• Weakly-supervised High-resolution Segmentation of Mammography Images for Breast Cancer Diagnosis [17.936019428281586]
  がん診断において、入力画像の出力に責任のある領域を局在させることにより、解釈可能性を実現することができる。 本稿では,高解像度画像の弱教師付きセグメンテーションを実現するニューラルネットワークアーキテクチャを提案する。 乳がん検診にマンモグラフィーを用いて適用し, 大規模臨床応用データセットで検証した。
  論文  参考訳（メタデータ） (2021-06-13T17:25:21Z)
• Overcoming the limitations of patch-based learning to detect cancer in whole slide images [0.15658704610960567]
  ディープラーニングモデルをトレーニングする際、WSI(Whole Slide Image)がユニークな課題を提起する。 われわれは,スライド全体にわたって,がんの局所化や分節を正確に行う必要がある方法と,パッチやスライドレベルの分類の違いを概説する。 本稿では, 偽陽性率を大幅に低減し, 問題点に関連する各指標を改善する負のデータサンプリング戦略を提案する。
  論文  参考訳（メタデータ） (2020-12-01T16:37:18Z)
• Rethinking Generative Zero-Shot Learning: An Ensemble Learning Perspective for Recognising Visual Patches [52.67723703088284]
  我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。 MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。 MPGANは最先端の手法よりもはるかに精度が高い。
  論文  参考訳（メタデータ） (2020-07-27T05:49:44Z)
• Self-similarity Student for Partial Label Histopathology Image Segmentation [14.20551462622277]
  ギガピクセル全スライド画像(WSI)における癌領域の描写は,デジタル病理学において重要な診断方法である。 教師-学生モデルパラダイムと類似性学習を組み合わせた自己相似性学生を提案する。 提案手法は,最先端のノイズ認識学習手法を5$%,教師付きベースラインを10$%,様々なノイズの度合いで大幅に向上させる。
  論文  参考訳（メタデータ） (2020-07-19T07:34:18Z)

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。