論文の概要: Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification

• arxiv url: http://arxiv.org/abs/2503.06056v2
• Date: Tue, 25 Mar 2025 06:58:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-26 20:13:52.515423
• Title: Pathological Prior-Guided Multiple Instance Learning For Mitigating Catastrophic Forgetting in Breast Cancer Whole Slide Image Classification
• Title（参考訳）: 乳がん画像分類における白内障予防のための病的事前指導型多症例学習
• Authors: Weixi Zheng, Aoling Huang, Jingping Yuan, Haoyu Zhao, Zhou Zhao, Yongchao Xu, Thierry Géraud,
• Abstract要約: 乳癌のWSI分類における破滅的忘れを緩和する新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。
• 参考スコア（独自算出の注目度）: 50.899861205016265
• License:
• Abstract: In histopathology, intelligent diagnosis of Whole Slide Images (WSIs) is essential for automating and objectifying diagnoses, reducing the workload of pathologists. However, diagnostic models often face the challenge of forgetting previously learned data during incremental training on datasets from different sources. To address this issue, we propose a new framework PaGMIL to mitigate catastrophic forgetting in breast cancer WSI classification. Our framework introduces two key components into the common MIL model architecture. First, it leverages microscopic pathological prior to select more accurate and diverse representative patches for MIL. Secondly, it trains separate classification heads for each task and uses macroscopic pathological prior knowledge, treating the thumbnail as a prompt guide (PG) to select the appropriate classification head. We evaluate the continual learning performance of PaGMIL across several public breast cancer datasets. PaGMIL achieves a better balance between the performance of the current task and the retention of previous tasks, outperforming other continual learning methods. Our code will be open-sourced upon acceptance.
• Abstract（参考訳）: 病理組織学では、全スライド画像(WSI)のインテリジェント診断は、診断の自動化と客観的化に不可欠であり、病理医の作業量を減少させる。 しかし、診断モデルは、異なるソースからのデータセットの漸進的なトレーニング中に、以前に学んだデータを忘れることがしばしばある。 そこで本研究では,乳癌のWSI分類における破滅的忘れを軽減するための新しい枠組みであるPaGMILを提案する。 私たちのフレームワークでは、共通のMILモデルアーキテクチャに2つの重要なコンポーネントを導入しています。 まず、MILのより正確で多様な代表的パッチを選択するために、顕微鏡的病理学を利用する。 第二に、各タスクごとに分類ヘッドを訓練し、マクロ的な病理的事前知識を使用し、サムネイルをプロンプトガイド(PG)として扱い、適切な分類ヘッドを選択する。 複数の乳がんデータセットを対象としたPaGMILの連続学習性能の評価を行った。 PaGMILは、現在のタスクのパフォーマンスと以前のタスクの保持のバランスを良くし、他の継続的な学習方法よりも優れています。 私たちのコードは受け入れ次第オープンソースになります。

関連論文リスト

• Towards Robust Natural-Looking Mammography Lesion Synthesis on Ipsilateral Dual-Views Breast Cancer Analysis [1.1098503592431275]
  マンモグラフィ分類タスクの2つの主要な課題は、マルチビューマンモグラフィ情報とクラスアンバランスハンドリングを活用することである。 補助的な視点から低レベル特徴情報を活用することにより,検討された視点(メインビュー)を強化するための,単純だが斬新な手法を提案する。 また, 単純ながら新規なマンモグラム合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-09-07T06:33:30Z)
• 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)
• 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)
• Learning Discriminative Representation via Metric Learning for Imbalanced Medical Image Classification [52.94051907952536]
  本稿では,特徴抽出器がより識別的な特徴表現を抽出するのを助けるために,2段階フレームワークの第1段階にメトリック学習を組み込むことを提案する。 主に3つの医用画像データセットを用いて実験したところ、提案手法は既存の1段階と2段階のアプローチより一貫して優れていた。
  論文  参考訳（メタデータ） (2022-07-14T14:57:01Z)
• End-to-end Learning for Image-based Detection of Molecular Alterations in Digital Pathology [1.916179040410189]
  デジタル病理学におけるスライド画像全体(WSI)の分類への現在のアプローチは、主に2段階学習パイプラインを利用している。 このようなアプローチの大きな欠点は、臨床ルーチンで取得されていないタスク固有の補助ラベルの要件である。 本稿では,WSI分類のための新しい学習パイプラインを提案する。
  論文  参考訳（メタデータ） (2022-06-30T20:30:33Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for Biomarker Identification and Disease Classification [49.53651166356737]
  診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。 2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
  論文  参考訳（メタデータ） (2021-01-27T19:28:04Z)
• Dual Convolutional Neural Networks for Breast Mass Segmentation and Diagnosis in Mammography [18.979126709943085]
  本稿では,マンモグラム画像処理のための新しいディープラーニングフレームワークを提案する。 本手法はデュアルパスアーキテクチャで構築され,そのマッピングをデュアルプロブレム方式で解決する。 実験の結果,DualCoreNetはマンモグラフィーのセグメンテーションと分類を同時に達成し,最近の最先端モデルよりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-08-07T02:23:36Z)
• A Two-Stage Multiple Instance Learning Framework for the Detection of Breast Cancer in Mammograms [13.842620686759616]
  乳がんの大規模検診ではマンモグラムが一般的に用いられる。 画像レベルの悪性度検出のための2段階多段階学習フレームワークを提案する。 グローバルなイメージレベル機能は、CNNで学んだパッチレベル機能の重み付け平均として計算される。 画像レベルの分類では, 平均精度が0.76/0.80, 平均AUCが0.91であった。
  論文  参考訳（メタデータ） (2020-04-24T13:06:47Z)

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。