論文の概要: TUMLS: Trustful Fully Unsupervised Multi-Level Segmentation for Whole Slide Images of Histology

• arxiv url: http://arxiv.org/abs/2504.12718v1
• Date: Thu, 17 Apr 2025 07:48:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-18 14:38:08.849785
• Title: TUMLS: Trustful Fully Unsupervised Multi-Level Segmentation for Whole Slide Images of Histology
• Title（参考訳）: TUMLS: ヒストロジの全スライス画像のための信頼性フル教師なしマルチレベルセグメンテーション
• Authors: Walid Rehamnia, Alexandra Getmanskaya, Evgeniy Vasilyev, Vadim Turlapov,
• Abstract要約: We present a Trustful fully unsupervised multi-level segmentation method (TUMLS) for whole slide image (WSIs)。 TUMLSは、低解像度のトレーニングデータの中で異なる組織タイプを特定するために、オートエンコーダ(AE)を特徴抽出器として採用している。 このソリューションは、臨床医にシームレスに統合され、WSI全体の検査を簡潔で解釈可能なクロスレベル洞察のレビューに変換する。
• 参考スコア（独自算出の注目度）: 41.94295877935867
• License:
• Abstract: Digital pathology, augmented by artificial intelligence (AI), holds significant promise for improving the workflow of pathologists. However, challenges such as the labor-intensive annotation of whole slide images (WSIs), high computational demands, and trust concerns arising from the absence of uncertainty estimation in predictions hinder the practical application of current AI methodologies in histopathology. To address these issues, we present a novel trustful fully unsupervised multi-level segmentation methodology (TUMLS) for WSIs. TUMLS adopts an autoencoder (AE) as a feature extractor to identify the different tissue types within low-resolution training data. It selects representative patches from each identified group based on an uncertainty measure and then does unsupervised nuclei segmentation in their respective higher-resolution space without using any ML algorithms. Crucially, this solution integrates seamlessly into clinicians workflows, transforming the examination of a whole WSI into a review of concise, interpretable cross-level insights. This integration significantly enhances and accelerates the workflow while ensuring transparency. We evaluated our approach using the UPENN-GBM dataset, where the AE achieved a mean squared error (MSE) of 0.0016. Additionally, nucleus segmentation is assessed on the MoNuSeg dataset, outperforming all unsupervised approaches with an F1 score of 77.46% and a Jaccard score of 63.35%. These results demonstrate the efficacy of TUMLS in advancing the field of digital pathology.
• Abstract（参考訳）: 人工知能(AI)によって強化されたデジタル病理学は、病理学者のワークフローを改善するための重要な約束を持っている。 しかし、スライド画像全体(WSI)の労働集約アノテーション、高い計算要求、予測における不確実性推定の欠如による信頼の懸念といった課題は、現在のAI方法論の組織病理学への応用を妨げている。 これらの課題に対処するため,WSI のための信頼度の高い完全教師なしマルチレベルセグメンテーション手法 (TUMLS) を提案する。 TUMLSは、低解像度のトレーニングデータの中で異なる組織タイプを特定するために、オートエンコーダ(AE)を特徴抽出器として採用している。 不確実性尺度に基づいて、識別されたグループから代表パッチを選択し、その後、MLアルゴリズムを使わずに、それぞれの高分解能空間において教師なしの核セグメンテーションを行う。 重要なことに、このソリューションは臨床医のワークフローにシームレスに統合され、WSI全体の検査を簡潔で解釈可能なクロスレベルな洞察のレビューに変換する。 この統合は、透明性を確保しながらワークフローを大幅に強化し、加速します。 提案手法をUPENN-GBMデータセットを用いて評価し,平均2乗誤差(MSE)は0.0016。 さらに、核セグメンテーションはMoNuSegデータセットで評価され、F1スコア77.46%、ジャカードスコア63.35%で、教師なしのアプローチを全て上回っている。 これらの結果はTUMLSがデジタル病理学の進歩に有効であることを示す。

関連論文リスト

• Efficient Whole Slide Image Classification through Fisher Vector Representation [2.4472081831862655]
  本稿では,最も情報性の高いパッチの識別と検証を自動化し,WSI分類の新しい手法を提案する。 提案手法は2段階からなる。まず,その病理学的意義に基づいて,WSIから少数のパッチのみを抽出し,次いで,これらのパッチから抽出した特徴を表現するためにFisherベクトルを用いる。 このアプローチは、WSI表現内の主要な病理的特徴をアクセントするだけでなく、計算オーバーヘッドを大幅に減らし、プロセスをより効率的かつスケーラブルにする。
  論文  参考訳（メタデータ） (2024-11-13T11:24:12Z)
• Agent Aggregator with Mask Denoise Mechanism for Histopathology Whole Slide Image Analysis [6.708196053187949]
  病理組織学的解析は, 臨床診断における金の基準である。スライディング画像全体(WSI)と関心領域(ROI)の正確な分類は, 病理医の診断に有効である。 弱教師付き学習では、多重インスタンス学習(MIL)がWSI分類に有望なアプローチを示す。 マスク認知機構を有するエージェントアグリゲータであるAMD-MILを提案する。
  論文  参考訳（メタデータ） (2024-09-18T03:02:19Z)
• Hybrid Deep Learning-Based for Enhanced Occlusion Segmentation in PICU Patient Monitoring [0.0]
  本稿では,PICU内の遠隔監視アプリケーションで発生する共通閉塞を分割するハイブリッド手法を提案する。 私たちのアプローチは、限られたトレーニングデータシナリオのためのディープラーニングパイプラインの作成に重点を置いています。 提案したフレームワークは、92.5%の精度、93.8%のリコール、90.3%の精度、92.0%のF1スコアで全体的な分類性能が得られる。
  論文  参考訳（メタデータ） (2024-07-18T09:37:55Z)
• Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
  人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。 デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。 本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
  論文  参考訳（メタデータ） (2024-07-10T17:00:57Z)
• Validating polyp and instrument segmentation methods in colonoscopy through Medico 2020 and MedAI 2021 Challenges [58.32937972322058]
  メディコオートマチックポリープセグメンテーション(Medico 2020)と「メディコ:医療画像の透明性(MedAI 2021)」コンペティション。 本報告では, それぞれのコントリビューションを包括的に分析し, ベストパフォーマンスメソッドの強さを強調し, クリニックへの臨床翻訳の可能性について考察する。
  論文  参考訳（メタデータ） (2023-07-30T16:08:45Z)
• 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)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• Superficial White Matter Analysis: An Efficient Point-cloud-based Deep Learning Framework with Supervised Contrastive Learning for Consistent Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
  ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。 ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。 本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
  論文  参考訳（メタデータ） (2022-07-18T23:07:53Z)
• Quality control for more reliable integration of deep learning-based image segmentation into medical workflows [0.23609258021376836]
  本稿では,その出力の確実性を推定するために,最先端自動品質制御(QC)手法の解析を行う。 磁気共鳴画像データにおける白色物質の超強度(WMH)を識別する脳画像分割タスクにおける最も有望なアプローチを検証した。
  論文  参考訳（メタデータ） (2021-12-06T16:30:43Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)

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。