End-to-End diagnosis of breast biopsy images with transformers.
End-to-End diagnosis of breast biopsy images with transformers.
复制标题
使用转换器实现乳腺活检图像的端到端诊断。
DOI：
10.1016/j.media.2022.102466
复制
发表时间：
2022-07
影响因子：
10.9
通讯作者：
Shapiro, Linda G.
中科院分区：
文献类型：
--
作者：
Mehta, Sachin;Lu, Ximing;Wu, Wenjun;Weaver, Donald;Hajishirzi, Hannaneh;Elmore, Joann G.;Shapiro, Linda G.
关键词：
病理学家之间的诊断分歧存在于从良性病变到恶性病变的各个阶段。能够减少不确定性的计算机辅助诊断系统将对临床产生重要影响。为了开发一种计算机辅助诊断方法，将乳腺活检图像分类为一系列诊断类别(良性、非典型性、导管原位癌和浸润性乳腺癌)，我们引入了一个基于转换器的全息注意网络HATNet。与最先进的组织病理图像分类系统使用双管齐下的方法不同，即它们首先使用多实例学习框架学习局部表示，然后结合这些局部表示来产生图像级别的决策，HATNet简化了组织病理图像分类流水线，并展示了如何端到端从十亿像素大小的图像学习表示。HATNet扩展了词袋方法，并使用自我注意来编码全局信息，使其能够从临床相关的组织结构中学习表示，而无需任何明确的监督。它的性能比以前最好的网络Y-Net高出8%，后者使用组织级分割掩码的形式进行监督。重要的是，我们的分析表明，HATNet从临床相关结构中学习表示，它与87名美国病理学家对这一具有挑战性的测试集的分类准确性相匹配。
Diagnostic disagreements among pathologists occur throughout the spectrum of benign to malignant lesions. A computer-aided diagnostic system capable of reducing uncertainties would have important clinical impact. To develop a computer-aided diagnosis method for classifying breast biopsy images into a range of diagnostic categories (benign, atypia, ductal carcinoma in situ, and invasive breast cancer), we introduce a transformer-based hollistic attention network called HATNet. Unlike state-of-the-art histopatho-logical image classification systems that use a two pronged approach, i.e., they first learn local representations using a multi-instance learning framework and then combine these local representations to produce image-level decisions, HATNet streamlines the histopathological image classification pipeline and shows how to learn representations from gigapixel size images end-to-end. HATNet extends the bag-of-words approach and uses self-attention to encode global information, allowing it to learn representations from clinically relevant tissue structures without any explicit supervision. It outperforms the previous best network Y-Net, which uses supervision in the form of tissue-level segmentation masks, by 8%. Importantly, our analysis reveals that HATNet learns representations from clinically relevant structures, and it matches the classification accuracy of 87 U.S. pathologists for this challenging test set.
登录
查看更多内容
影响因子：
7.3
作者：
Arendt LM;Rudnick JA;Keller PJ;Kuperwasser C
通讯作者：
Kuperwasser C
DOI：
10.1001/jama.2015.1405
发表时间：
2015-03-17
期刊：
JAMA
影响因子：
--
作者：
Elmore JG;Longton GM;Carney PA;Geller BM;Onega T;Tosteson AN;Nelson HD;Pepe MS;Allison KH;Schnitt SJ;O'Malley FP;Weaver DL
通讯作者：
Weaver DL
影响因子：
254.7
作者：
DeSantis, Carol E.;Ma, Jiemin;Siegel, Rebecca L.
通讯作者：
Siegel, Rebecca L.
DOI：
10.1109/cvpr.2016.266
发表时间：
2016-06
期刊：
Proceedings. IEEE Computer Society Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
Hou L;Samaras D;Kurc TM;Gao Y;Davis JE;Saltz JH
通讯作者：
Saltz JH
影响因子：
6.4
作者：
Allison, Kimberly H.;Reisch, Lisa M.;Elmore, Joann G.
通讯作者：
Elmore, Joann G.