Daily Arxiv

전 세계에서 발간되는 인공지능 관련 논문을 정리하는 페이지 입니다.
본 페이지는 Google Gemini를 활용해 요약 정리하며, 비영리로 운영 됩니다.
논문에 대한 저작권은 저자 및 해당 기관에 있으며, 공유 시 출처만 명기하면 됩니다.

Dynamic Residual Encoding with Slide-Level Contrastive Learning for End-to-End Whole Slide Image Representation

Created by
  • Haebom
Category
Empty

저자

Jing Jin, Xu Liu, Te Gao, Zhihong Shi, Yixiong Liang, Ruiqing Zheng, Hulin Kuang, Min Zeng, Shichao Kan

개요

본 논문은 암 아형 분류, 암 인식 및 돌연변이 예측을 위한 전체 슬라이드 이미지(WSI) 표현 모델을 제안한다. 대규모 WSI의 훈련 문제를 해결하기 위해, 동적 잔차 인코딩과 슬라이드 수준의 대비 학습(DRE-SLCL) 방법을 도입한다. 이 방법은 메모리 뱅크를 사용하여 모든 WSI의 타일 특징을 저장하고, 미니 배치를 통해 샘플링된 타일 특징과 메모리 뱅크에서 가져온 특징을 결합하여 각 WSI의 표현을 생성한다. 슬라이드 수준의 대비 손실을 계산하여 모델을 훈련하며, 실험을 통해 제안된 DRE-SLCL 방법의 효과를 입증했다.

시사점, 한계점

•
시사점:
◦
WSI 표현 학습의 GPU 제약 문제를 해결하는 새로운 방법론 제시.
◦
동적 잔차 인코딩과 슬라이드 수준의 대비 학습을 결합하여 효율적인 WSI 표현 학습 가능.
◦
암 아형 분류, 암 인식, 돌연변이 예측 등 다양한 암 관련 작업에서 효과를 입증.
•
한계점:
◦
메모리 뱅크의 크기 및 관리의 복잡성.
◦
메모리 뱅크를 활용한 특징 검색 및 결합 과정의 계산 비용.
◦
실제 임상 적용 시 데이터셋의 다양성 및 규모에 따른 성능 변화 가능성.
👍
Made with Slashpage