Fugu-MT 論文翻訳(概要): Multiple Instance Learning with Coarse-to-Fine Self-Distillation

論文の概要: Multiple Instance Learning with Coarse-to-Fine Self-Distillation

arxiv url: http://arxiv.org/abs/2502.02707v1
Date: Tue, 04 Feb 2025 20:41:02 GMT
ステータス: 翻訳完了
システム内更新日: 2025-02-06 14:27:30.057894
Title: Multiple Instance Learning with Coarse-to-Fine Self-Distillation
Title（参考訳）: 粗大な自己蒸留による複数インスタンス学習
Authors: Shuyang Wu, Yifu Qiu, Ines P. Nearchou, Sandrine Prost, Jonathan A. Fallowfield, Hakan Bilen, Timothy J. Kendall,
Abstract要約: 計算病理学における全スライド画像(WSI)解析のための多重インスタンス学習(MIL)は、しばしばインスタンスレベルの学習を無視する。本稿では,(1)インスタンスレベルの監視と(2)バッグレベルのインスタンス間コンテキスト情報学習という2つの観点からMILを改善するためのフレームワークであるPathMILを提案する。
参考スコア（独自算出の注目度）: 18.366938717948248
License:
Abstract: Multiple Instance Learning (MIL) for whole slide image (WSI) analysis in computational pathology often neglects instance-level learning as supervision is typically provided only at the bag level. In this work, we present PathMIL, a framework designed to improve MIL through two perspectives: (1) employing instance-level supervision and (2) learning inter-instance contextual information on bag level. Firstly, we propose a novel Coarse-to-Fine Self-Distillation (CFSD) paradigm, to probe and distil a classifier trained with bag-level information to obtain instance-level labels which could effectively provide the supervision for the same classifier in a finer way. Secondly, to capture inter-instance contextual information in WSI, we propose Two-Dimensional Positional Encoding (2DPE), which encodes the spatial appearance of instances within a bag. We also theoretically and empirically prove the instance-level learnability of CFSD. PathMIL is evaluated on multiple benchmarking tasks, including subtype classification (TCGA-NSCLC), tumour classification (CAMELYON16), and an internal benchmark for breast cancer receptor status classification. Our method achieves state-of-the-art performance, with AUC scores of 0.9152 and 0.8524 for estrogen and progesterone receptor status classification, respectively, an AUC of 0.9618 for subtype classification, and 0.8634 for tumour classification, surpassing existing methods.
Abstract（参考訳）: 計算病理学における全スライド画像(WSI)解析のための多重インスタンス学習(MIL)は、典型的にはバッグレベルでのみ提供されるため、しばしばインスタンスレベルの学習を無視する。本研究では,(1)インスタンスレベルの監視と(2)バッグレベルのインスタンス間コンテキスト情報学習という2つの観点からMILを改善するためのフレームワークであるPathMILを提案する。まず, バッグレベルの情報で訓練された分類器を探索・除去し, より詳細な方法で同一分類器の監督を効果的に行うことができる事例レベルラベルを得るための, CFSD(Coarse-to-Fine Self-Distillation)パラダイムを提案する。次に, バッグ内のインスタンスの空間的外観を符号化した2次元位置符号化 (2DPE) を提案する。また,CFSDのインスタンスレベルの学習性についても理論的,実証的に検証した。 PathMILは、サブタイプ分類(TCGA-NSCLC)、腫瘍分類(CAMELYON16)、乳がん受容体のステータス分類のための内部ベンチマークを含む複数のベンチマークタスクで評価される。 AUCスコアはエストロゲン, プロゲステロン受容体のステータス分類では0.9152, 0.8524, サブタイプ分類では0.9618, 腫瘍分類では0.8634, 既存の方法では0.8634であった。

関連論文リスト

HMIL: Hierarchical Multi-Instance Learning for Fine-Grained Whole Slide Image Classification [10.203984731917851]
全スライド画像(WSI)のきめ細かい分類は、正確な癌診断とパーソナライズされた治療戦略を可能にする、精密腫瘍学において不可欠である。マルチインスタンス学習(MIL)パラダイムはWSIの計算負担を軽減するが、既存のMIL手法は階層的なラベル相関を無視することが多い。本稿では,これらの制約を克服する新しい階層型マルチインスタンス学習(HMIL)フレームワークを提案する。
論文参考訳（メタデータ） (2024-11-12T09:22:00Z)
Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
ホイルスライド画像(WSI)分類は臨床病理学に非常に重要な応用例である。本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
論文参考訳（メタデータ） (2024-10-14T14:49:34Z)
Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
論文参考訳（メタデータ） (2024-08-18T12:15:22Z)
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)
Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
論文参考訳（メタデータ） (2023-02-03T13:50:25Z)
Classification of Luminal Subtypes in Full Mammogram Images Using Transfer Learning [8.961271420114794]
転移学習は乳房異常分類タスクからResNet-18ベースの光と非光のサブタイプ分類タスクを微調整する。提案手法は,AUCの平均スコア0.6688,F1の平均スコア0.6693をテストデータセット上で達成することにより,ベースライン分類器を著しく上回ることを示す。
論文参考訳（メタデータ） (2023-01-23T05:58:26Z)
Domain Adaptive Nuclei Instance Segmentation and Classification via Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文参考訳（メタデータ） (2022-07-04T07:05:06Z)
TransMIL: Transformer based Correlated Multiple Instance Learning for Whole Slide Image Classication [38.58585442160062]
マルチプル・インスタンス・ラーニング(MIL)は、スライド画像全体(WSI)に基づく病理診断において、弱い教師付き分類を解決する強力なツールである。我々は、相関MILと呼ばれる新しいフレームワークを提案し、収束の証明を提供した。我々は3つの異なる計算病理問題に対する様々な実験を行い、最先端の手法と比較してより優れた性能と高速な収束を実現した。
論文参考訳（メタデータ） (2021-06-02T02:57:54Z)
Learning Inductive Attention Guidance for Partially Supervised Pancreatic Ductal Adenocarcinoma Prediction [73.96902906734522]
膵管腺癌(PDAC)は、アメリカ合衆国で3番目に多いがん死の原因である。本稿では,全てのトレーニングデータに対して安価な画像レベルのアノテーションが提供され,それらのサブセットに対してのみ,コストのかかるvoxelアノテーションが利用可能となる,部分教師付き設定について考察する。 Inductive Attention Guidance Network (IAG-Net) を提案し、通常の/PDAC分類のためのグローバル画像レベルの分類器と半教師付きPDAC分類のためのローカルボクセルレベルの分類器を共同で学習する。
論文参考訳（メタデータ） (2021-05-31T08:16:09Z)
Anomaly Detection in Cybersecurity: Unsupervised, Graph-Based and Supervised Learning Methods in Adversarial Environments [63.942632088208505]
現在の運用環境に固有ののは、敵対的機械学習の実践である。本研究では,教師なし学習とグラフに基づく異常検出の可能性を検討する。我々は,教師付きモデルの訓練時に,現実的な対人訓練機構を組み込んで,対人環境における強力な分類性能を実現する。
論文参考訳（メタデータ） (2021-05-14T10:05:10Z)
Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
論文参考訳（メタデータ） (2021-02-01T07:36:38Z)

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。