Fugu-MT 論文翻訳(概要): Fluoroformer: Scaling multiple instance learning to multiplexed images via attention-based channel fusion

論文の概要: Fluoroformer: Scaling multiple instance learning to multiplexed images via attention-based channel fusion

arxiv url: http://arxiv.org/abs/2411.08975v1
Date: Wed, 13 Nov 2024 19:06:57 GMT
ステータス: 翻訳完了
システム内更新日: 2024-11-15 15:24:49.424531
Title: Fluoroformer: Scaling multiple instance learning to multiplexed images via attention-based channel fusion
Title（参考訳）: Fluoroformer: 注意に基づくチャネル融合による多重画像への複数インスタンス学習のスケーリング
Authors: Marc Harary, Eliezer M. Van Allen, William Lotter,
Abstract要約: 本稿では,スライド画像の多重化に適したMIL戦略であるFluoroformerモジュールを提案する。 434例の非小細胞肺癌 (NSCLC) のコホートでは,Fluoroformer は強い予後を示し,免疫組織学的特徴を再カプセル化する。
参考スコア（独自算出の注目度）: 0.03511246202322249
License:
Abstract: Though multiple instance learning (MIL) has been a foundational strategy in computational pathology for processing whole slide images (WSIs), current approaches are designed for traditional hematoxylin and eosin (H&E) slides rather than emerging multiplexed technologies. Here, we present an MIL strategy, the Fluoroformer module, that is specifically tailored to multiplexed WSIs by leveraging scaled dot-product attention (SDPA) to interpretably fuse information across disparate channels. On a cohort of 434 non-small cell lung cancer (NSCLC) samples, we show that the Fluoroformer both obtains strong prognostic performance and recapitulates immuno-oncological hallmarks of NSCLC. Our technique thereby provides a path for adapting state-of-the-art AI techniques to emerging spatial biology assays.
Abstract（参考訳）: 多重インスタンス学習(MIL)は、スライド画像全体(WSI)を処理するための計算病理学の基本的な戦略であるが、現在のアプローチは、新しい多重化技術ではなく、従来のヘマトキシリンとエオシン(H&E)スライドのために設計されている。本稿では,MIL戦略であるFluoroformerモジュールについて述べる。このモジュールは,拡張点生成注意(SDPA)を活用して,異なるチャネルをまたいだ情報を解釈可能に融合させることにより,多重化WSIに特化している。 434例の非小細胞肺癌 (NSCLC) のコホートでは, Fluoroformer は強い予後を示し, NSCLC の免疫組織学的特徴を再カプセル化する。これにより,最先端のAI技術が出現する空間生物学アッセイに適応するための経路を提供する。

関連論文リスト

CARMIL: Context-Aware Regularization on Multiple Instance Learning models for Whole Slide Images [0.41873161228906586]
複数のインスタンス学習モデルは、全スライド画像のがん予後に有効であることが証明されている。元のMILの定式化は、同じ画像のパッチが独立であると誤って仮定する。空間知識を任意のMILモデルにシームレスに統合する多目的正規化手法を提案する。
論文参考訳（メタデータ） (2024-08-01T09:59:57Z)
An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
論文参考訳（メタデータ） (2024-07-16T08:21:54Z)
Enhancing Weakly-Supervised Histopathology Image Segmentation with Knowledge Distillation on MIL-Based Pseudo-Labels [8.934328206473456]
病理組織像分割のための新しい蒸留フレームワークを提案する。この枠組みは, 学生が教師の総合的な成果から直接学習できる, 反復的融合知識蒸留戦略を導入している。
論文参考訳（メタデータ） (2024-07-14T17:15:47Z)
Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文参考訳（メタデータ） (2023-10-22T02:27:02Z)
The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。次に,隣接行列を用いてタイル間の空間的関係を記述する。これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文参考訳（メタデータ） (2023-07-12T16:14:23Z)
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)
AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。 AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文参考訳（メタデータ） (2023-03-01T23:37:45Z)
Orientation-Shared Convolution Representation for CT Metal Artifact Learning [63.67718355820655]
X線CT(CT)スキャン中、患者を乗せた金属インプラントは、しばしば有害なアーティファクトに繋がる。既存のディープラーニングベースの手法は、有望な再構築性能を得た。本稿では,人工物の物理的事前構造に適応するために,配向型畳み込み表現戦略を提案する。
論文参考訳（メタデータ） (2022-12-26T13:56:12Z)
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)
Cross-scale Attention Guided Multi-instance Learning for Crohn's Disease Diagnosis with Pathological Images [22.98849180654734]
MIL(Multi-Instance Learning)は、コンピュータ支援による病的全スライド画像(WSI)の解釈に広く用いられている。我々は、クローン病(CD)のための単一のMILネットワークにスケール間相互作用を明示的に集約する新しいクロススケールアテンション機構を提案する。提案手法は,ベースラインモデルと比較して,AUCスコア0.8924で優れたエリアを達成できた。
論文参考訳（メタデータ） (2022-08-15T16:39:34Z)
Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
論文参考訳（メタデータ） (2022-03-09T16:17:47Z)

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。