論文の概要: Extreme Learning Machines for Attention-based Multiple Instance Learning in Whole-Slide Image Classification

• arxiv url: http://arxiv.org/abs/2503.10510v1
• Date: Thu, 13 Mar 2025 16:14:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-14 15:53:50.096853
• Title: Extreme Learning Machines for Attention-based Multiple Instance Learning in Whole-Slide Image Classification
• Title（参考訳）: 全スライディング画像分類における注意型マルチインスタンス学習のための極端学習機械
• Authors: Rajiv Krishnakumar, Julien Baglio, Frederik F. Flöther, Christian Ruiz, Stefan Habringer, Nicole H. Romano,
• Abstract要約: 全スライディング画像分類は、計算病理学と医学における重要な課題である。 深部MILのための高次元特徴空間を用いた新しい手法を提案する。 末梢血の循環レア細胞(CRC)を検出する問題に対して,本アルゴリズムを適用した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Whole-slide image classification represents a key challenge in computational pathology and medicine. Attention-based multiple instance learning (MIL) has emerged as an effective approach for this problem. However, the effect of attention mechanism architecture on model performance is not well-documented for biomedical imagery. In this work, we compare different methods and implementations of MIL, including deep learning variants. We introduce a new method using higher-dimensional feature spaces for deep MIL. We also develop a novel algorithm for whole-slide image classification where extreme machine learning is combined with attention-based MIL to improve sensitivity and reduce training complexity. We apply our algorithms to the problem of detecting circulating rare cells (CRCs), such as erythroblasts, in peripheral blood. Our results indicate that nonlinearities play a key role in the classification, as removing them leads to a sharp decrease in stability in addition to a decrease in average area under the curve (AUC) of over 4%. We also demonstrate a considerable increase in robustness of the model with improvements of over 10% in average AUC when higher-dimensional feature spaces are leveraged. In addition, we show that extreme learning machines can offer clear improvements in terms of training efficiency by reducing the number of trained parameters by a factor of 5 whilst still maintaining the average AUC to within 1.5% of the deep MIL model. Finally, we discuss options of enriching the classical computing framework with quantum algorithms in the future. This work can thus help pave the way towards more accurate and efficient single-cell diagnostics, one of the building blocks of precision medicine.
• Abstract（参考訳）: 全スライディング画像分類は、計算病理学と医学における重要な課題である。 注意に基づくマルチインスタンス学習(MIL)が,この問題に対する効果的なアプローチとして浮上している。 しかし,アテンション機構のアーキテクチャがモデル性能に与える影響は,バイオメディカル画像では十分に説明されていない。 本研究では,深層学習の変種を含むMILの異なる手法と実装を比較した。 深部MILのための高次元特徴空間を用いた新しい手法を提案する。 また,過度な機械学習と注意に基づくMILを組み合わせることで,感度の向上とトレーニングの複雑さの低減を図る,全スライダー画像分類のための新しいアルゴリズムを開発した。 末梢血における赤血球などの循環レア細胞(CRC)の検出問題に対して,本アルゴリズムを適用した。 以上の結果から, 非線形性は, 曲線(AUC)の平均面積が4%以上減少するのに加えて, その除去が安定性の急激な低下につながるため, 分類において重要な役割を担っていることが示唆された。 また,高次元特徴空間を利用する場合,平均AUCは10%以上向上し,モデルのロバスト性も著しく向上することを示した。 さらに,極端学習機械は,訓練パラメータの数を5倍に削減し,平均AUCを深いMILモデルの1.5%以内に維持することにより,訓練効率を向上できることを示した。 最後に,従来の計算フレームワークを将来,量子アルゴリズムで強化する選択肢について論じる。 この研究は、より正確で効率的な単細胞診断への道を開くのに役立つ。

関連論文リスト

• Improving Sickle Cell Disease Classification: A Fusion of Conventional Classifiers, Segmented Images, and Convolutional Neural Networks [0.31457219084519006]
  本稿では, 従来の分類器, セグメント化画像, CNNを併用して, 病原細胞疾患の自動分類を行う手法を提案する。 以上の結果から,SVMを用いたセグメント画像とCNN機能を用いることで96.80%の精度が得られた。
  論文  参考訳（メタデータ） (2024-12-23T20:42:15Z)
• Distilling High Diagnostic Value Patches for Whole Slide Image Classification Using Attention Mechanism [11.920941310806558]
  MIL(Multiple Instance Learning)はWSI(Whole Slide Image)分類の分野で広く注目を集めている。 バッグレベルのMILメソッドの欠点は、より冗長なパッチの導入であり、干渉につながる。 我々は,高い診断値のパッチを抽出するAFD-MIL (Feature Respiration Multi-Instance Learning) アプローチを開発した。
  論文  参考訳（メタデータ） (2024-07-29T09:14:21Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Learned Image resizing with efficient training (LRET) facilitates improved performance of large-scale digital histopathology image classification models [0.0]
  組織学的検査は腫瘍学の研究と診断において重要な役割を担っている。 深層畳み込みニューラルネットワーク(DCNN)のトレーニングへの最近のアプローチは、最適下モデルの性能をもたらす。 本稿では,従来の病理組織学分類モデルトレーニングの主な限界に対処する新しいアプローチを提案する。
  論文  参考訳（メタデータ） (2024-01-19T23:45:47Z)
• Sample Less, Learn More: Efficient Action Recognition via Frame Feature Restoration [59.6021678234829]
  本稿では,2つのスパースサンプリングおよび隣接するビデオフレームの中間特徴を復元する新しい手法を提案する。 提案手法の統合により, 一般的な3つのベースラインの効率は50%以上向上し, 認識精度は0.5%低下した。
  論文  参考訳（メタデータ） (2023-07-27T13:52:42Z)
• 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)
• Deep AUC Maximization for Medical Image Classification: Challenges and Opportunities [60.079782224958414]
  我々は、AUCによる新たな深層学習手法による機会と課題を提示し、議論する(別名、アンダーラインbfディープアンダーラインbfAUC分類)。
  論文  参考訳（メタデータ） (2021-11-01T15:31:32Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Learning with Multiclass AUC: Theory and Algorithms [141.63211412386283]
  ROC曲線 (AUC) の下の領域は、不均衡学習やレコメンダシステムといった問題に対するよく知られたランキング基準である。 本稿では,マルチクラスAUCメトリクスを最適化することで,多クラススコアリング関数を学習する問題について検討する。
  論文  参考訳（メタデータ） (2021-07-28T05:18:10Z)
• Unlocking Pixels for Reinforcement Learning via Implicit Attention [61.666538764049854]
  我々は最近,トランスフォーマーに非常に有効であることが示されている,新しい効率的なアテンションアルゴリズムを利用している。 これにより、注意に基づくコントローラは、より大きな視覚入力にスケールでき、より小さなパッチの使用が容易になります。 さらに,ソフトマックスの注目度をハイブリッドランダム特徴量で近似するアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-02-08T17:00:26Z)

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。