論文の概要: From Histopathology Images to Cell Clouds: Learning Slide Representations with Hierarchical Cell Transformer

• arxiv url: http://arxiv.org/abs/2412.16715v1
• Date: Sat, 21 Dec 2024 17:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2024-12-24 16:00:25.865672
• Title: From Histopathology Images to Cell Clouds: Learning Slide Representations with Hierarchical Cell Transformer
• Title（参考訳）: 病理画像から細胞雲へ:階層型セルトランスを用いたスライド表現の学習
• Authors: Zijiang Yang, Zhongwei Qiu, Tiancheng Lin, Hanqing Chao, Wanxing Chang, Yelin Yang, Yunshuo Zhang, Wenpei Jiao, Yixuan Shen, Wenbin Liu, Dongmei Fu, Dakai Jin, Ke Yan, Le Lu, Hui Jiang, Yun Bian,
• Abstract要約: 我々は、50億以上のセルレベルのアノテーションを持つ大規模なWSIデータセットを構築し、WSI-Cell5Bと呼ぶ。 我々の知る限りでは、WSI-Cell5Bは、セルレベルのアノテーションを統合する最初のWSIレベルの大規模データセットです。
• 参考スコア（独自算出の注目度）: 18.495089886413133
• License:
• Abstract: It is clinically crucial and potentially very beneficial to be able to analyze and model directly the spatial distributions of cells in histopathology whole slide images (WSI). However, most existing WSI datasets lack cell-level annotations, owing to the extremely high cost over giga-pixel images. Thus, it remains an open question whether deep learning models can directly and effectively analyze WSIs from the semantic aspect of cell distributions. In this work, we construct a large-scale WSI dataset with more than 5 billion cell-level annotations, termed WSI-Cell5B, and a novel hierarchical Cell Cloud Transformer (CCFormer) to tackle these challenges. WSI-Cell5B is based on 6,998 WSIs of 11 cancers from The Cancer Genome Atlas Program, and all WSIs are annotated per cell by coordinates and types. To the best of our knowledge, WSI-Cell5B is the first WSI-level large-scale dataset integrating cell-level annotations. On the other hand, CCFormer formulates the collection of cells in each WSI as a cell cloud and models cell spatial distribution. Specifically, Neighboring Information Embedding (NIE) is proposed to characterize the distribution of cells within the neighborhood of each cell, and a novel Hierarchical Spatial Perception (HSP) module is proposed to learn the spatial relationship among cells in a bottom-up manner. The clinical analysis indicates that WSI-Cell5B can be used to design clinical evaluation metrics based on counting cells that effectively assess the survival risk of patients. Extensive experiments on survival prediction and cancer staging show that learning from cell spatial distribution alone can already achieve state-of-the-art (SOTA) performance, i.e., CCFormer strongly outperforms other competing methods.
• Abstract（参考訳）: 病理組織学的全スライド画像(WSI)において、細胞の空間分布を直接解析し、モデル化することは臨床的に重要であり、潜在的に有益である。 しかし、既存のWSIデータセットのほとんどは、ギガピクセル画像よりも非常に高価なため、セルレベルのアノテーションを欠いている。 したがって、深層学習モデルが細胞分布のセマンティックな側面からWSIを直接的かつ効果的に分析できるかどうかには疑問が残る。 本研究では,この課題に対処するために,WSI-Cell5Bと呼ばれる50億以上のセルレベルのアノテーションを備えた大規模WSIデータセットと,新しい階層型Cell Cloud Transformer(CCFormer)を構築した。 WSI-Cell5BはThe Cancer Genome Atlas Programの11のがんの6,998のWSIをベースとしている。 我々の知る限りでは、WSI-Cell5Bは、セルレベルのアノテーションを統合する最初のWSIレベルの大規模データセットです。 一方、CCFormerは各WSI内の細胞の集合を細胞雲として定式化し、細胞空間分布をモデル化する。 具体的には,各細胞近傍の細胞分布を特徴付けるために,隣接情報埋め込み (NIE) を提案し,ボトムアップ方式で細胞間の空間関係を学習するために,新しい階層空間知覚 (HSP) モジュールを提案する。 臨床分析の結果,WSI-Cell5Bは患者の生存リスクを効果的に評価する細胞数に基づく臨床評価指標を設計するのに有用であることが示唆された。 生存予測とがんステージングに関する大規模な実験により、細胞空間分布のみからの学習は、既に最先端(SOTA)のパフォーマンスを達成可能であることが示されている。

関連論文リスト

• Scalable Amortized GPLVMs for Single Cell Transcriptomics Data [9.010523724015398]
  大規模単細胞RNA-seqデータの解析には次元化が不可欠である。 改良されたモデル、償却変分モデル(BGPLVM)を導入する。 BGPLVMは、特殊なエンコーダ、カーネル、そして可能性設計を備えたシングルセルRNA-seq向けに調整されている。
  論文  参考訳（メタデータ） (2024-05-06T21:54:38Z)
• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Single-cell Multi-view Clustering via Community Detection with Unknown Number of Clusters [64.31109141089598]
  シングルセルデータに適した,革新的なマルチビュークラスタリング手法である scUNC を導入する。 scUNCは、事前に定義された数のクラスタを必要とせずに、異なるビューからの情報をシームレスに統合する。 3つの異なる単一セルデータセットを用いて,SCUNCの総合評価を行った。
  論文  参考訳（メタデータ） (2023-11-28T08:34:58Z)
• Mixed Models with Multiple Instance Learning [51.440557223100164]
  一般化線形混合モデル(GLMM)とMultiple Instance Learning(MIL)を統合するフレームワークであるMixMILを紹介する。 実験結果から,MixMILは単一セルデータセットにおいて既存のMILモデルより優れていることがわかった。
  論文  参考訳（メタデータ） (2023-11-04T16:42:42Z)
• RigLSTM: Recurrent Independent Grid LSTM for Generalizable Sequence Learning [75.61681328968714]
  本稿では,対象タスクの基盤となるモジュール構造を利用するために,リカレントな独立したGrid LSTM(RigLSTM)を提案する。 本モデルでは, セル選択, 入力特徴選択, 隠れ状態選択, ソフト状態更新を採用し, より優れた一般化を実現する。
  論文  参考訳（メタデータ） (2023-11-03T07:40:06Z)
• OCELOT: Overlapped Cell on Tissue Dataset for Histopathology [13.691924123273004]
  組織学における細胞検出のための細胞間関係研究のためのデータセットであるOCELOTをリリースする。 細胞と組織の両方のタスクを同時に学習できるマルチタスク学習手法を提案する。 特にOCELOTテストセットでは、F1スコアが最大6.79改善されている。
  論文  参考訳（メタデータ） (2023-03-23T08:57:11Z)
• VOLTA: an Environment-Aware Contrastive Cell Representation Learning for Histopathology [0.3436781233454516]
  病理組織像における細胞表現学習のための自己組織化フレームワーク(VOLTA)を提案する。 我々は、世界中の複数の機関から収集されたデータに関する広範な実験にモデルを適用した。 提案フレームワークの有効性を明らかにするため, 卵巣癌および子宮内膜癌にVOLTAを応用した。
  論文  参考訳（メタデータ） (2023-03-08T16:35:47Z)
• CCRL: Contrastive Cell Representation Learning [0.0]
  本稿では,H&Eスライドにおけるセル識別のためのコントラストセル表現学習(CCRL)モデルを提案する。 このモデルは、組織の種類によって異なる2つのデータセットにまたがる大きなマージンで、現在利用可能なすべてのセルクラスタリングモデルより優れていることを示す。
  論文  参考訳（メタデータ） (2022-08-12T18:12:03Z)
• An Efficient Cervical Whole Slide Image Analysis Framework Based on Multi-scale Semantic and Spatial Features using Deep Learning [2.7218168309244652]
  本研究では,YOLCO(You Only Look Cytopathology Once)という名前の軽量モデルを構築するために,マルチスケール接続を充実させることにより,新しいインライン接続ネットワーク(InCNet)を設計する。 提案したモデルでは、入力サイズをメガピクセルに拡大し、平均リピートで重なり合うことなくWSIを縫合することができる。 統合マルチスケールマルチタスクの特徴を分類するためのTransformerに基づいて、実験結果は、WSI分類における従来の方法よりも0.872$ AUCスコアが良く、2.51times$速く見える。
  論文  参考訳（メタデータ） (2021-06-29T06:24:55Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Split and Expand: An inference-time improvement for Weakly Supervised Cell Instance Segmentation [71.50526869670716]
  本研究では,分割マップのインスタンスへの変換を改善するために,2段階の後処理手順であるSplitとExpandを提案する。 Splitのステップでは,セルの集合をセグメント化マップから個々のセルインスタンスに分割し,セル中心の予測を導出する。 拡張ステップでは、細胞中心予測を用いて、小さな細胞が欠落していることが分かる。
  論文  参考訳（メタデータ） (2020-07-21T14:05:09Z)

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。