論文の概要: PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis
- arxiv url: http://arxiv.org/abs/2411.18225v1
- Date: Wed, 27 Nov 2024 11:03:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-28 15:28:11.716182
- Title: PATHS: A Hierarchical Transformer for Efficient Whole Slide Image Analysis
- Title（参考訳）: PATHS:効率的な全スライド画像解析のための階層変換器
- Authors: Zak Buzzard, Konstantin Hemker, Nikola Simidjievski, Mateja Jamnik,
- Abstract要約: 計算病理学におけるスライドレベルタスクにおける階層的弱教師付き表現学習のための新しいトップダウン手法を提案する。
PATHSは、人間の病理医がスライドを検査し、各倍率レベルでパッチを診断に関連する小さなサブセットにフィルタリングする、クロスマグニフィケーションの方法にインスパイアされている。
PATHSをThe Cancer Genome Atlas(TCGA)の5つのデータセットに適用し、スライドレベルの予測タスクにおいて優れたパフォーマンスを実現する。
- 参考スコア（独自算出の注目度）: 9.862551438475666
- License:
- Abstract: Computational analysis of whole slide images (WSIs) has seen significant research progress in recent years, with applications ranging across important diagnostic and prognostic tasks such as survival or cancer subtype prediction. Many state-of-the-art models process the entire slide - which may be as large as $150,000 \times 150,000$ pixels - as a bag of many patches, the size of which necessitates computationally cheap feature aggregation methods. However, a large proportion of these patches are uninformative, such as those containing only healthy or adipose tissue, adding significant noise and size to the bag. We propose Pathology Transformer with Hierarchical Selection (PATHS), a novel top-down method for hierarchical weakly supervised representation learning on slide-level tasks in computational pathology. PATHS is inspired by the cross-magnification manner in which a human pathologist examines a slide, recursively filtering patches at each magnification level to a small subset relevant to the diagnosis. Our method overcomes the complications of processing the entire slide, enabling quadratic self-attention and providing a simple interpretable measure of region importance. We apply PATHS to five datasets of The Cancer Genome Atlas (TCGA), and achieve superior performance on slide-level prediction tasks when compared to previous methods, despite processing only a small proportion of the slide.
- Abstract（参考訳）: スライド画像全体(WSI)の計算解析は近年,生存や癌亜型予測などの重要な診断・予後タスクに応用されるなど,研究の進展が著しい。
多くの最先端のモデルはスライド全体を処理します - これは15000ドル(約1万5000円)の時間で、多くのパッチの袋と同じです。
しかし、これらのパッチの大部分は、健康な組織や脂肪組織のみを含むものや、バッグに大きなノイズや大きさを加えるものなど、不整形である。
本稿では,階層型選択を用いた階層型表現変換器を提案する。この手法は,階層型弱教師付き表現学習のための新しいトップダウン手法である。
PATHSは、人間の病理医がスライドを調べて、各倍率レベルでパッチを、診断に関連する小さなサブセットに再帰的にフィルタリングする、クロス画像化法にインスパイアされている。
本手法は, スライド全体の処理の複雑さを克服し, 二次的自己注意を可能にし, 領域の重要度を簡易に解釈可能な尺度を提供する。
PATHS を The Cancer Genome Atlas (TCGA) の5つのデータセットに適用し、スライドのごく一部しか処理していないにもかかわらず、従来の手法と比較してスライドレベルの予測タスクにおいて優れた性能を発揮する。
関連論文リスト
- Semantic Segmentation Based Quality Control of Histopathology Whole Slide Images [2.953447779233234]
We developed a software pipeline for quality control (QC) of histopathology whole slide images (WSIs)。
異なるレベルのぼかし、組織領域、組織折り、ペンマークなど、さまざまな領域を区分する。
TCGAは、28の臓器から11,000以上の病理像を含むWSIデータセットとして最大である。
論文 参考訳（メタデータ） (2024-10-04T10:03:04Z) - Towards a Benchmark for Colorectal Cancer Segmentation in Endorectal Ultrasound Videos: Dataset and Model Development [59.74920439478643]
本稿では,多様なERUSシナリオをカバーする最初のベンチマークデータセットを収集し,注釈付けする。
ERUS-10Kデータセットは77の動画と10,000の高解像度アノテートフレームで構成されています。
本稿では,ASTR (Adaptive Sparse-context TRansformer) という大腸癌セグメンテーションのベンチマークモデルを提案する。
論文 参考訳（メタデータ） (2024-08-19T15:04:42Z) - A self-supervised framework for learning whole slide representations [52.774822784847565]
我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。
バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
論文 参考訳（メタデータ） (2024-02-09T05:05:28Z) - 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) - RLogist: Fast Observation Strategy on Whole-slide Images with Deep
Reinforcement Learning [15.955265218706467]
計算病理学における全スライディング画像(WSI)は、高解像度でギガピクセルサイズを持つが、一般的には少ない関心領域を持つ。
我々は,WSI 上での高速観測戦略のための深層強化学習 (DRL) 手法である RLogist を開発した。
論文 参考訳（メタデータ） (2022-12-04T04:03:34Z) - 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) - 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) - Wide & Deep neural network model for patch aggregation in CNN-based
prostate cancer detection systems [51.19354417900591]
前立腺癌(PCa)は、2020年に約141万件の新規感染者と約37万5000人の死者を出した男性の死因の1つである。
自動診断を行うには、まず前立腺組織サンプルをギガピクセル分解能全スライド画像にデジタイズする。
パッチと呼ばれる小さなサブイメージが抽出され、予測され、パッチレベルの分類が得られる。
論文 参考訳（メタデータ） (2021-05-20T18:13:58Z) - 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)
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。