抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
ディジタル病理学の進歩は,高解像度画像と網羅的局所アノテーションの禁止コストによって妨げられる。病理学画像を分類するための一般的に使用されるパラダイムはパッチベース処理であり,しばしば多重インスタンス学習(MIL)を組み込み,画像レベル予測を生成する局所パッチレベル表現を集約する。それにもかかわらず,診断関連領域は組織全体の小さな部分のみを採り,現在のMILベースのアプローチは,しばしば画像を均一に処理し,パッチ間相互作用を浪費する。これらの問題を軽減するために,識別画像領域を抽出し,それに応じて計算資源を解読するために,微分可能推薦段階を利用する新しい効率的な変圧器であるScoreNetを提案した。提案した変圧器は,効率的な計算コストで,いくつかの動的に推奨された高分解能領域の局所および大域的注意を利用する。さらに,データ混合をガイドし,コヒーレントサンプルラベル対を生成するため,画像の意味分布を活用することにより,新しい混合データオーガメント,すなわちスコアMixを導入した。スコアMixは単純であり,以前の増大の落とし穴を緩和し,それは,均一意味分布とリスク誤ラベリングを想定する。Haematoxylin&Eosin(H&E)の3つの乳癌組織学データセットに関する徹底的な実験およびアブレーション研究は,腫瘍領域(TRoI)分類に関する変圧器ベースのモデルを含む,以前の芸術に対する著者らのアプローチの優位性を検証した。提案したスコアMix増強を備えたスコアNetは,より良い一般化能力を実証し,他の混合増強変異体と比較して,データの50%だけを有する新しい最先端(SOTA)結果を達成した。最後に,スコアNetは,高い有効性をもたらし,SOTA効率的な変圧器,すなわち,TransPathとSwinトランスフォーマを凌駕する。【JST・京大機械翻訳】