論文の概要: SEW: Self-calibration Enhanced Whole Slide Pathology Image Analysis
- arxiv url: http://arxiv.org/abs/2412.10853v2
- Date: Fri, 14 Feb 2025 13:33:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-17 14:46:03.411926
- Title: SEW: Self-calibration Enhanced Whole Slide Pathology Image Analysis
- Title(参考訳): SEW: 自己校正による全スライド画像解析
- Authors: Haoming Luo, Xiaotian Yu, Shengxuming Zhang, Jiabin Xia, Yang Jian, Yuning Sun, Liang Xue, Mingli Song, Jing Zhang, Xiuming Zhang, Zunlei Feng,
- Abstract要約: スライド画像解析のための自己校正強化フレームワークを提案する。
提案するフレームワークは,病的評価や予後のタスクに対して,正確かつ説明可能な結果を迅速に提供することができる。
- 参考スコア(独自算出の注目度): 34.97298505596853
- License:
- Abstract: Pathology images are considered the ``gold standard" for cancer diagnosis and treatment, with gigapixel images providing extensive tissue and cellular information. Existing methods fail to simultaneously extract global structural and local detail features for comprehensive pathology image analysis efficiently. To address these limitations, we propose a self-calibration enhanced framework for whole slide pathology image analysis, comprising three components: a global branch, a focus predictor, and a detailed branch. The global branch initially classifies using the pathological thumbnail, while the focus predictor identifies relevant regions for classification based on the last layer features of the global branch. The detailed extraction branch then assesses whether the magnified regions correspond to the lesion area. Finally, a feature consistency constraint between the global and detail branches ensures that the global branch focuses on the appropriate region and extracts sufficient discriminative features for final identification. These focused discriminative features prove invaluable for uncovering novel prognostic tumor markers from the perspective of feature cluster uniqueness and tissue spatial distribution. Extensive experiment results demonstrate that the proposed framework can rapidly deliver accurate and explainable results for pathological grading and prognosis tasks.
- Abstract(参考訳): 病理像は癌診断と治療の「ゴールドスタンダード」と見なされ、ギガピクセル画像は広範な組織と細胞情報を提供する。
既存の手法では, 包括的病理画像解析を効率的に行うために, グローバルな構造的特徴と局所的特徴を同時に抽出することができない。
これらの制約に対処するため、我々は、グローバルブランチ、フォーカス予測器、詳細ブランチの3つのコンポーネントからなるスライド画像解析のための自己校正強化フレームワークを提案する。
グローバルブランチは最初,病的サムネイルを用いて分類するが,フォーカス予測器はグローバルブランチの最終層の特徴に基づいて,関連する領域を識別する。
そして、詳細な抽出枝は、拡大された領域が病変領域に対応するかどうかを評価する。
最後に、グローバルブランチとディテールブランチの間の特徴一貫性の制約は、グローバルブランチが適切な領域に焦点を当て、最終識別に十分な識別的特徴を抽出することを保証する。
これらの特徴は, 特徴クラスターの特異性と組織空間分布の観点から, 新しい予後マーカーの発見に有用であることが証明された。
大規模な実験結果から, 提案フレームワークは, 病的評価や予後の課題に対して, 正確かつ説明可能な結果を迅速に提供できることが示唆された。
関連論文リスト
- HistoGym: A Reinforcement Learning Environment for Histopathological Image Analysis [9.615399811006034]
HistoGymは、医師の実際の過程を模倣して、スライド画像全体の診断を促進することを目的としている。
私たちは、WSIベースのシナリオと選択された地域ベースのシナリオを含む、さまざまな臓器や癌のシナリオを提供しています。
論文 参考訳(メタデータ) (2024-08-16T17:19:07Z) - FMDNN: A Fuzzy-guided Multi-granular Deep Neural Network for Histopathological Image Classification [40.94024666952439]
ファジィ誘導多粒性ディープニューラルネットワーク(FMDNN)を提案する。
病理学者の多粒性診断アプローチに触発され, 粗さ, 培地, 微粒度における細胞構造の特徴抽出を行った。
ファジィ誘導型クロスアテンションモジュールは、普遍的なファジィ特徴を多粒性特徴へ導く。
論文 参考訳(メタデータ) (2024-07-22T00:46:15Z) - From Pixel to Slide image: Polarization Modality-based Pathological
Diagnosis Using Representation Learning [9.326969394501958]
病理組織学的には、甲状腺腫瘍は不適切な検体採取による診断上の課題となる。
甲状腺腫瘍の鑑別のための画素レベルのアノテーションとスライスレベルのアノテーションを統合するために,表現学習を用いた3段階モデルを構築した。
論文 参考訳(メタデータ) (2024-01-03T02:01:09Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - Reliable Joint Segmentation of Retinal Edema Lesions in OCT Images [55.83984261827332]
本稿では,信頼性の高いマルチスケールウェーブレットエンハンストランスネットワークを提案する。
本研究では,ウェーブレット型特徴抽出器ネットワークとマルチスケール変圧器モジュールを統合したセグメンテーションバックボーンを開発した。
提案手法は,他の最先端セグメンテーション手法と比較して信頼性の高いセグメンテーション精度を実現する。
論文 参考訳(メタデータ) (2022-12-01T07:32:56Z) - Valuing Vicinity: Memory attention framework for context-based semantic
segmentation in histopathology [0.8866112270350612]
詳細な種類の組織を同定することは、パーソナライズされたがん治療の提供に不可欠である。
本稿では,パッチ埋め込みメモリバンクから隣接する組織コンテキストを問い合わせるパッチ近傍の注意機構を提案する。
私たちのメモリアテンションフレームワーク(MAF)は、病理医のアノテーション手順を模倣します。
論文 参考訳(メタデータ) (2022-10-21T08:49:30Z) - ScoreNet: Learning Non-Uniform Attention and Augmentation for
Transformer-Based Histopathological Image Classification [11.680355561258427]
高解像度画像はデジタル病理の進歩を妨げる。
パッチベースの処理は、しばしば複数のインスタンス学習(MIL)を組み込んで、画像レベルの予測をもたらす局所的なパッチレベルの表現を集約する。
本稿では,組織像分類に適したトランスフォーマーアーキテクチャを提案する。
局所的なきめ細かな注意と粗いグローバルな注意機構を組み合わせることで、高解像度画像の意味的な表現を効率的な計算コストで学習する。
論文 参考訳(メタデータ) (2022-02-15T16:55:09Z) - 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) - Gleason Grading of Histology Prostate Images through Semantic
Segmentation via Residual U-Net [60.145440290349796]
前立腺癌の最終診断は、病理学者による前立腺生検におけるGleasonパターンの視覚的検出に基づいている。
コンピュータ支援診断システムは、組織内のがんのパターンを分類し分類することができる。
この研究の方法論的核心は、がん組織を分節できる残留ブロックで修正された画像分割のためのU-Net畳み込みニューラルネットワークである。
論文 参考訳(メタデータ) (2020-05-22T19:49:10Z) - 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。