ترجمه فارسی مقاله snuffy: طبقه بندی کننده تصویر کامل اسلاید کارآمد

چکیده

Whole Slide Image (WSI) classification with multiple instance learning (MIL) in digital pathology faces significant computational challenges. Current methods mostly rely on extensive self-supervised learning (SSL) for satisfactory performance, requiring long training periods and considerable computational resources. At the same time, no pre-training affects performance due to domain shifts from natural images to WSIs. We introduce Snuffy architecture, a novel MIL-pooling method based on sparse transformers that mitigates performance loss with limited pre-training and enables continual few-shot pre-training as a competitive option. Our sparsity pattern is tailored for pathology and is theoretically proven to be a universal approximator with the tightest probabilistic sharp bound on the number of layers for sparse transformers, to date. We demonstrate Snuffy’s effectiveness on CAMELYON16 and TCGA Lung cancer datasets, achieving superior WSI and patch-level accuracies. The code is available on https://github.com/jafarinia/snuffy.

چکیده به فارسی (ترجمه ماشینی)

طبقه بندی کامل تصویر اسلاید (WSI) با یادگیری نمونه چندگانه (MIL) در آسیب شناسی دیجیتال با چالش های محاسباتی قابل توجهی روبرو است.روشهای فعلی عمدتاً برای عملکرد رضایت بخش به یادگیری گسترده خود تحت نظارت (SSL) متکی هستند ، که نیاز به دوره های آموزشی طولانی و منابع محاسباتی قابل توجهی دارد.در عین حال ، هیچ پیش از آموزش به دلیل تغییر دامنه از تصاویر طبیعی به WSIS بر عملکرد تأثیر نمی گذارد.ما معماری Snuffy را معرفی می کنیم ، یک روش جدید استخر MIL مبتنی بر ترانسفورماتورهای پراکنده که از دست دادن عملکرد با پیش از آموزش محدود کاهش می یابد و پیش از شوت مداوم را به عنوان یک گزینه رقابتی امکان پذیر می کند.الگوی پراکندگی ما برای آسیب شناسی متناسب است و از نظر تئوریک اثبات شده است که یک تقریب جهانی با محکم ترین احتمال تیز احتمالی در تعداد لایه های ترانسفورماتورهای پراکنده ، تا به امروز است.ما اثربخشی اسنوفی را در مجموعه داده های سرطان ریه Camelyon16 و TCGA نشان می دهیم ، و به دقت WSI و سطح پچ برتر می رسیم.این کد در https://github.com/jafarinia/snuffy در دسترس است.