論文の概要: Diagnostic Text-guided Representation Learning in Hierarchical Classification for Pathological Whole Slide Image

• arxiv url: http://arxiv.org/abs/2411.10709v1
• Date: Sat, 16 Nov 2024 05:35:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-11-19 14:33:29.774266
• Title: Diagnostic Text-guided Representation Learning in Hierarchical Classification for Pathological Whole Slide Image
• Title（参考訳）: 病的全スライド画像の階層分類におけるテキスト誘導型表現学習
• Authors: Jiawen Li, Qiehe Sun, Renao Yan, Yizhi Wang, Yuqiu Fu, Yani Wei, Tian Guan, Huijuan Shi, Yonghonghe He, Anjia Han,
• Abstract要約: 階層的病理画像分類の概念を導入し、PathTreeと呼ばれる表現学習を提案する。 PathTreeは、病気の多重分類を二分木構造とみなしている。 提案したPathTreeは,最先端の手法と比較して一貫して競合する。
• 参考スコア（独自算出の注目度）: 9.195096835877914
• License:
• Abstract: With the development of digital imaging in medical microscopy, artificial intelligent-based analysis of pathological whole slide images (WSIs) provides a powerful tool for cancer diagnosis. Limited by the expensive cost of pixel-level annotation, current research primarily focuses on representation learning with slide-level labels, showing success in various downstream tasks. However, given the diversity of lesion types and the complex relationships between each other, these techniques still deserve further exploration in addressing advanced pathology tasks. To this end, we introduce the concept of hierarchical pathological image classification and propose a representation learning called PathTree. PathTree considers the multi-classification of diseases as a binary tree structure. Each category is represented as a professional pathological text description, which messages information with a tree-like encoder. The interactive text features are then used to guide the aggregation of hierarchical multiple representations. PathTree uses slide-text similarity to obtain probability scores and introduces two extra tree specific losses to further constrain the association between texts and slides. Through extensive experiments on three challenging hierarchical classification datasets: in-house cryosectioned lung tissue lesion identification, public prostate cancer grade assessment, and public breast cancer subtyping, our proposed PathTree is consistently competitive compared to the state-of-the-art methods and provides a new perspective on the deep learning-assisted solution for more complex WSI classification.
• Abstract（参考訳）: 医用顕微鏡におけるデジタルイメージングの開発に伴い、病的スライド画像(WSI)の人工知能による解析は、がんの診断に強力なツールを提供する。 ピクセルレベルのアノテーションの高価なコストによって制限された現在の研究は、主にスライドレベルのラベルを用いた表現学習に焦点を当てており、様々な下流タスクの成功を示している。 しかし、病変の多様性と相互の複雑な関係を考えると、これらの技術は先進的な病理学の課題に対処する上でさらに検討すべきものである。 そこで我々は階層型病理画像分類の概念を導入し,PathTreeと呼ばれる表現学習を提案する。 PathTreeは、病気の多重分類を二分木構造とみなしている。 各カテゴリは、木のようなエンコーダで情報をメッセージする専門的な病理テキスト記述として表現される。 インタラクティブテキスト機能は、階層的な多重表現の集約を導くために使用される。 PathTreeは、確率スコアを得るためにスライドテキストの類似性を使用し、テキストとスライドの関係をさらに制限するために、ツリー固有の損失を2つ追加する。 肺組織病変の同定,前立腺癌評価,乳がんの亜型化という3つの挑戦的階層的分類データセットに関する広範な実験を通じて,提案したPathTreeは最先端の手法と比較して一貫して競合し,より複雑なWSI分類のためのディープラーニング支援ソリューションに対する新たな視点を提供する。

関連論文リスト

• Skip and Skip: Segmenting Medical Images with Prompts [11.997659260758976]
  本稿では,イメージレベルラベルを用いてセグメンテーションを促進する2つのU字型2段フレームワークを提案する。 実験により,本フレームワークは,単にピクセルレベルのアノテーションを用いて,ネットワークよりも優れた結果が得られることが示された。
  論文  参考訳（メタデータ） (2024-06-21T08:14:52Z)
• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• Hierarchical Text-to-Vision Self Supervised Alignment for Improved Histopathology Representation Learning [64.1316997189396]
  病理組織像のための新しい言語型自己教師学習フレームワーク,階層型言語型自己監督(HLSS)を提案する。 その結果,OpenSRH と TCGA の2つの医用画像ベンチマークにおいて,最先端の性能が得られた。
  論文  参考訳（メタデータ） (2024-03-21T17:58:56Z)
• Text2Tree: Aligning Text Representation to the Label Tree Hierarchy for Imbalanced Medical Classification [9.391704905671476]
  本稿では、医療用テキストにおけるデータ課題を再考し、Text2Treeと呼ばれるフレームワークに依存しない新しいアルゴリズムを提案する。 ラベルのICDコードツリー構造をカスケードアテンションモジュールに組み込んで階層型ラベル表現を学習する。 異なるラベルのサンプルを再利用・識別することでテキスト分類を向上させるために,2つの新しい学習手法であるSimisity Surrogate Learning (SSL) とDissimilarity Mixup Learning (DML) が考案された。
  論文  参考訳（メタデータ） (2023-11-28T10:02:08Z)
• Asymmetric Co-Training with Explainable Cell Graph Ensembling for Histopathological Image Classification [28.949527817202984]
  本稿では,深部グラフ畳み込みニューラルネットワークと畳み込みニューラルネットワークを組み合わせた非対称協調学習フレームワークを提案する。 セルグラフデータを扱う14層ディープグラフ畳み込みネットワークを構築した。 プライベートLUAD7Cおよびパブリック大腸癌データセットに対するアプローチについて検討した。
  論文  参考訳（メタデータ） (2023-08-24T12:27:03Z)
• 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)
• Pixel-Level Explanation of Multiple Instance Learning Models in Biomedical Single Cell Images [52.527733226555206]
  複数のインスタンス学習モデルを説明するための4つの属性法について検討する。 急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。 我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
  論文  参考訳（メタデータ） (2023-03-15T14:00:11Z)
• Few-shot Medical Image Segmentation using a Global Correlation Network with Discriminative Embedding [60.89561661441736]
  医療画像分割のための新しい手法を提案する。 深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。 深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
  論文  参考訳（メタデータ） (2020-12-10T04:01:07Z)
• Learning Binary Semantic Embedding for Histology Image Classification and Retrieval [56.34863511025423]
  バイナリ・セマンティック・エンベディング(LBSE)の学習方法を提案する。 効率的な埋め込み、分類、検索を行い、組織像の解釈可能なコンピュータ支援診断を提供する。 3つのベンチマークデータセットで実施された実験は、様々なシナリオにおいてLBSEの優位性を検証する。
  論文  参考訳（メタデータ） (2020-10-07T08:36:44Z)
• Hierarchical Deep Convolutional Neural Networks for Multi-category Diagnosis of Gastrointestinal Disorders on Histopathological Images [0.0]
  本稿では,GI領域の異なる部位の生検画像の階層的分類と,その内における受容疾患について述べる。 提案手法は,373枚のスライド画像から独立した画像パッチを用いて評価した。
  論文  参考訳（メタデータ） (2020-05-08T06:05:09Z)
• Weakly supervised multiple instance learning histopathological tumor segmentation [51.085268272912415]
  スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。 トレーニングモデルに複数のインスタンス学習スキームを利用する。 提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
  論文  参考訳（メタデータ） (2020-04-10T13:12:47Z)

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。

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。