論文の概要: Leveraging Transfer Learning and Multiple Instance Learning for HER2 Automatic Scoring of H\&E Whole Slide Images

• arxiv url: http://arxiv.org/abs/2411.05028v1
• Date: Tue, 05 Nov 2024 09:44:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-11 14:55:12.107079
• Title: Leveraging Transfer Learning and Multiple Instance Learning for HER2 Automatic Scoring of H\&E Whole Slide Images
• Title（参考訳）: HER2全スライド画像の自動スコーディングにおける転送学習と複数インスタンス学習の活用
• Authors: Rawan S. Abdulsadig, Bryan M. Williams, Nikolay Burlutskiy,
• Abstract要約: 本研究は, (i) IHC 画像, (ii) H&E 画像, (iii) 非医学的画像に基づいて事前学習した深層学習モデルの性能について, 伝達学習の可能性を検討することである。 H&E画像に予めトレーニングされた埋め込みモデルは、他のモデルよりも一貫して優れており、平均的なAUCROC値は4つのHER2スコアで0.622ドルであった。
• 参考スコア（独自算出の注目度）: 1.0923877073891446
• License:
• Abstract: Expression of human epidermal growth factor receptor 2 (HER2) is an important biomarker in breast cancer patients who can benefit from cost-effective automatic Hematoxylin and Eosin (H\&E) HER2 scoring. However, developing such scoring models requires large pixel-level annotated datasets. Transfer learning allows prior knowledge from different datasets to be reused while multiple-instance learning (MIL) allows the lack of detailed annotations to be mitigated. The aim of this work is to examine the potential of transfer learning on the performance of deep learning models pre-trained on (i) Immunohistochemistry (IHC) images, (ii) H\&E images and (iii) non-medical images. A MIL framework with an attention mechanism is developed using pre-trained models as patch-embedding models. It was found that embedding models pre-trained on H\&E images consistently outperformed the others, resulting in an average AUC-ROC value of $0.622$ across the 4 HER2 scores ($0.59-0.80$ per HER2 score). Furthermore, it was found that using multiple-instance learning with an attention layer not only allows for good classification results to be achieved, but it can also help with producing visual indication of HER2-positive areas in the H\&E slide image by utilising the patch-wise attention weights.
• Abstract（参考訳）: ヒト上皮成長因子受容体2(HER2)の発現は、費用対効果の高い自動ヘマトキシリンおよびEosin(H\&E)HER2スコアの恩恵を受ける乳がん患者にとって重要なバイオマーカーである。 しかし、このようなスコアリングモデルを開発するには、大きなピクセルレベルのアノテートデータセットが必要である。 Transfer Learningは、異なるデータセットからの事前知識を再利用可能にする一方で、MIL(Multi-instance Learning)は詳細なアノテーションの欠如を緩和する。 本研究の目的は,事前学習したディープラーニングモデルの性能に対する伝達学習の可能性を検討することである。 (i)免疫組織化学(IHC)画像 (II)H\&E画像および (三)非医療用画像。 パッチ埋め込みモデルとして,事前学習モデルを用いてアテンション機構を備えたMILフレームワークを開発した。 その結果、HER2の4スコア(0.59-0.80$)に対して平均的なAUC-ROC値は0.622ドル(0.59-0.80$)となった。 さらに, 注意層を用いたマルチスタンス学習により, 適切な分類結果が得られるだけでなく, パッチワイド・アテンション・ウェイトを利用して, HER2陽性領域をH&Eスライド画像に視覚的に表示できることがわかった。

関連論文リスト

• DiffKillR: Killing and Recreating Diffeomorphisms for Cell Annotation in Dense Microscopy Images [105.46086313858062]
  DiffKillRは、アーチェタイプマッチングと画像登録タスクの組み合わせとして、セルアノテーションを再構成する新しいフレームワークである。 我々はDiffKillRの理論的性質について論じ、それを3つの顕微鏡タスクで検証し、既存の教師付き・半教師なし・教師なしの手法に対する利点を実証する。
  論文  参考訳（メタデータ） (2024-10-04T00:38:29Z)
• Features Fusion for Dual-View Mammography Mass Detection [1.5146068448101746]
  両マンモグラフィビューを同時に処理できるMAMM-Netという新しいモデルを提案する。 本実験は,従来の最先端モデルと比較して,PublicMデータセット上での優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-25T16:30:30Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• 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)
• 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)
• Interpretable HER2 scoring by evaluating clinical Guidelines through a weakly supervised, constrained Deep Learning Approach [0.0]
  本稿では病理学者によるHER2スコアの解釈可能性に焦点を当てる。 臨床HER2ガイドラインを直接評価する半自動2段階深層学習手法を提案する。 本研究は,F1スコアで0.78の成績を得られた。
  論文  参考訳（メタデータ） (2022-11-17T14:28:35Z)
• Improved HER2 Tumor Segmentation with Subtype Balancing using Deep Generative Networks [5.44130112878356]
  本稿では,意味条件付き深層生成ネットワークを用いた合成画像を作成することを提案する。 本稿では,GAN(Generative Adversarial Networks)と,特に拡散モデルを用いて現実的な画像を生成する方法を提案する。
  論文  参考訳（メタデータ） (2022-11-11T12:05:15Z)
• Multi-Scale Attention-based Multiple Instance Learning for Classification of Multi-Gigapixel Histology Images [0.0]
  組織像の分類のための深層学習パイプラインを提案する。 我々は,ヘマトキシリンおよびエオシン染色(H&E)組織像に基づく鼻咽頭癌(NPC)の潜伏膜蛋白1(LMP1)像の予測を試みた。
  論文  参考訳（メタデータ） (2022-09-07T10:14:02Z)
• A Multi-Stage Attentive Transfer Learning Framework for Improving COVID-19 Diagnosis [49.3704402041314]
  新型コロナの診断を改善するための多段階集中移動学習フレームワークを提案する。 提案するフレームワークは、複数のソースタスクと異なるドメインのデータから知識を学習し、正確な診断モデルを訓練する3つの段階からなる。 本稿では,肺CT画像のマルチスケール表現を学習するための自己教師付き学習手法を提案する。
  論文  参考訳（メタデータ） (2021-01-14T01:39:19Z)
• Towards Unsupervised Learning for Instrument Segmentation in Robotic Surgery with Cycle-Consistent Adversarial Networks [54.00217496410142]
  本稿では、入力された内視鏡画像と対応するアノテーションとのマッピングを学習することを目的として、未ペア画像から画像への変換を提案する。 当社のアプローチでは,高価なアノテーションを取得することなく,イメージセグメンテーションモデルをトレーニングすることが可能です。 提案手法をEndovis 2017チャレンジデータセットで検証し,教師付きセグメンテーション手法と競合することを示す。
  論文  参考訳（メタデータ） (2020-07-09T01:39:39Z)

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。