論文の概要: Are nuclear masks all you need for improved out-of-domain generalisation? A closer look at cancer classification in histopathology

• arxiv url: http://arxiv.org/abs/2411.09373v1
• Date: Thu, 14 Nov 2024 11:27:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-15 15:22:41.629289
• Title: Are nuclear masks all you need for improved out-of-domain generalisation? A closer look at cancer classification in histopathology
• Title（参考訳）: 核マスクはドメイン外一般化の改善に必要なものなのか?病理組織学におけるがんの分類について
• Authors: Dhananjay Tomar, Alexander Binder, Andreas Kleppe,
• Abstract要約: 我々は,核形態学と組織に着目して,癌検出のためのOODの一般化を改善するための簡単なアプローチを提案する。 本手法では,核分割マスクを原画像と統合し,核の優先順位付けを奨励する。 複数のデータセットを用いて,OODの一般化が向上し,画像の破損や敵攻撃に対するロバスト性も向上することを示す。
• 参考スコア（独自算出の注目度）: 49.518701946822446
• License:
• Abstract: Domain generalisation in computational histopathology is challenging because the images are substantially affected by differences among hospitals due to factors like fixation and staining of tissue and imaging equipment. We hypothesise that focusing on nuclei can improve the out-of-domain (OOD) generalisation in cancer detection. We propose a simple approach to improve OOD generalisation for cancer detection by focusing on nuclear morphology and organisation, as these are domain-invariant features critical in cancer detection. Our approach integrates original images with nuclear segmentation masks during training, encouraging the model to prioritise nuclei and their spatial arrangement. Going beyond mere data augmentation, we introduce a regularisation technique that aligns the representations of masks and original images. We show, using multiple datasets, that our method improves OOD generalisation and also leads to increased robustness to image corruptions and adversarial attacks. The source code is available at https://github.com/undercutspiky/SFL/
• Abstract（参考訳）: 組織や画像装置の固定や染色などの要因により、画像が病院間の違いによって大きく影響を受けるため、計算病理学における領域の一般化は困難である。 我々は、がん検出において、核に焦点をあてることにより、OPD(out-of- domain)の一般化を改善することができると仮定する。 我々は,がん検出において重要なドメイン不変の特徴である核形態や組織に着目して,癌検出のためのOODの一般化を改善するための簡単なアプローチを提案する。 本手法は,核分割マスクと原画像を統合し,核の優先順位と空間配置をモデルに推奨する。 単にデータ拡張を超えて、マスクとオリジナル画像の表現を整列する正規化手法を導入する。 複数のデータセットを用いて,OODの一般化が向上し,画像の破損や敵攻撃に対するロバスト性も向上することを示す。 ソースコードはhttps://github.com/undercutspiky/SFL/で入手できる。

関連論文リスト

• View it like a radiologist: Shifted windows for deep learning augmentation of CT images [11.902593645631034]
  我々は,CT画像の評価において,複数のビューイングウインドウをどのように活用するかに着想を得た,新しい前処理と強度増強手法を提案する。 提案手法は,学習中の関心領域の周囲に窓をランダムに配置する。 コントラスト造影剤が不十分な画像における肝病変のセグメンテーション性能とロバスト性を向上させる。
  論文  参考訳（メタデータ） (2023-11-25T10:28:08Z)
• Attention-Map Augmentation for Hypercomplex Breast Cancer Classification [6.098816895102301]
  本稿では,乳がん分類の問題点を克服する枠組みとして,パラメータ化ハイパーコンプレックス・アテンション・マップ(PHAM)を提案する。 フレームワークには2つの大きな利点がある。まず注意マップがROIに関する重要な情報を提供し、ニューラルネットワークがそれに集中できるようにする。 私たちは、注目に基づく最先端のネットワークと、我々のアプローチの真の価値を超越しています。
  論文  参考訳（メタデータ） (2023-10-11T16:28:24Z)
• Breast Cancer Segmentation using Attention-based Convolutional Network and Explainable AI [0.0]
  乳がん(BC)は依然として重大な健康上の脅威であり、現在長期治療は行われていない。 早期発見は重要であるが、マンモグラフィーの解釈は高い偽陽性と陰性によって妨げられる。 この研究は、セグメンテーションのための注意に基づく畳み込みニューラルネットワークを示し、BCの検出と分類のスピードと精度を高める。
  論文  参考訳（メタデータ） (2023-05-22T20:49:20Z)
• 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)
• Radiomics-Guided Global-Local Transformer for Weakly Supervised Pathology Localization in Chest X-Rays [65.88435151891369]
  Radiomics-Guided Transformer (RGT)は、テキストトグロバル画像情報と、テキストトグロバル情報とを融合する。 RGTは、画像トランスフォーマーブランチ、放射能トランスフォーマーブランチ、および画像と放射線情報を集約する融合層から構成される。
  論文  参考訳（メタデータ） (2022-07-10T06:32:56Z)
• MaNi: Maximizing Mutual Information for Nuclei Cross-Domain Unsupervised Segmentation [9.227037203895533]
  本稿では,相互情報(MI)に基づく非教師なし領域適応(UDA)手法を提案する。 核は、様々な種類のがんの構造と外観に大きく異なり、あるがんタイプで訓練し、別のがんタイプでテストすると、ディープラーニングモデルの性能が低下する。
  論文  参考訳（メタデータ） (2022-06-29T07:24:02Z)
• Generative Residual Attention Network for Disease Detection [51.60842580044539]
  本稿では, 条件付き生成逆学習を用いたX線疾患発生のための新しいアプローチを提案する。 我々は,患者の身元を保存しながら,対象領域に対応する放射線画像を生成する。 次に、ターゲット領域で生成されたX線画像を用いてトレーニングを増強し、検出性能を向上させる。
  論文  参考訳（メタデータ） (2021-10-25T14:15:57Z)
• Cross-Modal Contrastive Learning for Abnormality Classification and Localization in Chest X-rays with Radiomics using a Feedback Loop [63.81818077092879]
  医療画像のためのエンドツーエンドのセミスーパーバイスドクロスモーダルコントラスト学習フレームワークを提案する。 まず、胸部X線を分類し、画像特徴を生成するために画像エンコーダを適用する。 放射能の特徴は別の専用エンコーダを通過し、同じ胸部x線から生成された画像の特徴の正のサンプルとして機能する。
  論文  参考訳（メタデータ） (2021-04-11T09:16:29Z)
• SDCT-AuxNet$^{\theta}$: DCT Augmented Stain Deconvolutional CNN with Auxiliary Classifier for Cancer Diagnosis [14.567067583556714]
  急性リンパ性白血病(英語: acute lymphoblastic leukemia,ALL)は、世界中の小児の白血球癌である。 本稿では,all癌細胞像の分類のための新しいディープラーニングアーキテクチャを提案する。 先日公表した15114枚のall癌と健康な細胞のデータセットを用いて実験を行った。
  論文  参考訳（メタデータ） (2020-05-30T16:01:31Z)
• Towards a Complete Pipeline for Segmenting Nuclei in Feulgen-Stained Images [52.946144307741974]
  頸部がんは世界で2番目に多いがんである。 本稿では,畳み込みニューラルネットワークを用いたフェールゲン安定画像中の核分割のための完全なパイプラインを提案する。 We achieved a overall IoU 0.78, showed the availableability of the approach of nuclear segmentation on Feulgen-stained images。
  論文  参考訳（メタデータ） (2020-02-19T18:14:57Z)

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。