論文の概要: Deep Weakly-Supervised Learning Methods for Classification and
Localization in Histology Images: A Survey
- arxiv url: http://arxiv.org/abs/1909.03354v7
- Date: Fri, 3 Mar 2023 16:04:31 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-25 04:23:11.278452
- Title: Deep Weakly-Supervised Learning Methods for Classification and
Localization in Histology Images: A Survey
- Title（参考訳）: 深部弱教師付き学習法による組織像の分類と局在化:調査
- Authors: J\'er\^ome Rony, Soufiane Belharbi, Jose Dolz, Ismail Ben Ayed, Luke
McCaffrey, Eric Granger
- Abstract要約: 深層学習モデルを用いて癌を診断することはいくつかの課題をもたらす。
深層弱教師付きオブジェクトローカライゼーション(WSOL)手法は、ディープラーニングモデルの低コストトレーニングのための戦略を提供する。
本稿では,WSOL の最先端 DL 手法について概説する。
- 参考スコア（独自算出の注目度）: 25.429124017422385
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Using deep learning models to diagnose cancer from histology data presents
several challenges. Cancer grading and localization of regions of interest
(ROIs) in these images normally relies on both image- and pixel-level labels,
the latter requiring a costly annotation process. Deep weakly-supervised object
localization (WSOL) methods provide different strategies for low-cost training
of deep learning models. Using only image-class annotations, these methods can
be trained to classify an image, and yield class activation maps (CAMs) for ROI
localization. This paper provides a review of state-of-art DL methods for WSOL.
We propose a taxonomy where these methods are divided into bottom-up and
top-down methods according to the information flow in models. Although the
latter have seen limited progress, recent bottom-up methods are currently
driving much progress with deep WSOL methods. Early works focused on designing
different spatial pooling functions. However, these methods reached limited
localization accuracy, and unveiled a major limitation -- the under-activation
of CAMs which leads to high false negative localization. Subsequent works aimed
to alleviate this issue and recover complete object. Representative methods
from our taxonomy are evaluated and compared in terms of classification and
localization accuracy on two challenging histology datasets. Overall, the
results indicate poor localization performance, particularly for generic
methods that were initially designed to process natural images. Methods
designed to address the challenges of histology data yielded good results.
However, all methods suffer from high false positive/negative localization.
Four key challenges are identified for the application of deep WSOL methods in
histology -- under/over activation of CAMs, sensitivity to thresholding, and
model selection.
- Abstract（参考訳）: 組織学データから癌を診断するためにディープラーニングモデルを使用すると、いくつかの課題が提示される。
これらの画像中の関心領域(ROI)の分類と局所化は、通常画像レベルとピクセルレベルの両方のラベルに依存し、後者は高価なアノテーションプロセスを必要とする。
deep weakly-supervised object localization (wsol)法は、ディープラーニングモデルの低コストトレーニングのための異なる戦略を提供する。
イメージクラスのアノテーションのみを使用して、これらのメソッドをトレーニングしてイメージを分類し、ROIローカライゼーションのためのクラスアクティベーションマップ(CAM)を取得できる。
本稿では,WSOL の最先端 DL 手法について概説する。
本稿では,これらの手法をモデルにおける情報フローに応じてボトムアップとトップダウンに分割する分類法を提案する。
後者は進歩が限られているが、最近のボトムアップメソッドは現在、深いWSOLメソッドでかなり進歩している。
初期の研究は異なる空間プール機能の設計に焦点を当てていた。
しかし、これらの手法はローカライゼーションの精度が限界に達し、CAMの非活性化による大きな制限が明らかにされた。
その後の作業は、この問題を緩和し、完全なオブジェクトを回収することを目的としている。
分類学の代表的な手法を2つの挑戦的組織学データセットの分類と位置推定の精度で評価・比較した。
全体としては、特に自然画像を処理するように設計された汎用的な方法において、ローカライズ性能が低かったことを示している。
組織学データの課題に対処するために設計された手法は良い結果をもたらした。
しかし、すべての方法は偽陽性/陰性の局在性が高い。
CAMのアンダー/オーバーアクティベーション、しきい値への感受性、モデル選択といった、深いWSOLメソッドを組織学に適用するための4つの重要な課題が特定されている。
関連論文リスト
- Interpreting Object-level Foundation Models via Visual Precision Search [53.807678972967224]
より少ない領域で正確な属性マップを生成する視覚的精度探索法を提案する。
本手法は,マルチモーダル融合による帰属問題を克服するために,内部モデルパラメータをバイパスする。
提案手法は,複数の評価指標にまたがる既存の手法を超越して,視覚的接地や物体検出タスクにおける障害を解釈することができる。
論文 参考訳（メタデータ） (2024-11-25T08:54:54Z) - Source-Free Domain Adaptation of Weakly-Supervised Object Localization Models for Histology [8.984366988153116]
癌度に応じて組織像を分類するために、WSOL(Deep weakly supervised Object Localization)モデルを訓練することができる。
ラベル付きソースイメージデータに基づいてトレーニングされたWSOLモデルは、ラベルなしターゲットデータを使用して適用することができる。
本稿では,ソースフリー(教師なし)ドメイン適応(SFDA)に着目し,事前学習したソースモデルを新たなターゲットドメインに適応させるという課題について述べる。
論文 参考訳（メタデータ） (2024-04-29T21:25:59Z) - Dual Attention Model with Reinforcement Learning for Classification of Histology Whole-Slide Images [8.404881822414898]
デジタル全スライド画像(WSI)は一般に顕微鏡分解能で撮影され、広い空間データを包含する。
本稿では,病理医の視覚検査に触発された2つの主成分からなる新しい二重注意アプローチを提案する。
提案手法は,WSIの10%未満を高い倍率で処理しながら,最先端の手法に匹敵する性能を実現する。
論文 参考訳（メタデータ） (2023-02-19T22:26:25Z) - Leveraging Uncertainty for Deep Interpretable Classification and
Weakly-Supervised Segmentation of Histology Images [25.429124017422385]
深い教師付き手法は、解釈可能性のための画像分類とROIセグメンテーションを可能にする。
これらの手法は、偽陽性率を高める非識別領域を明示的にモデル化するメカニズムを欠いている。
本研究では,非識別領域と識別領域の両方を求める新しい正規化項を提案する。
論文 参考訳（メタデータ） (2022-05-12T02:18:23Z) - Mixed-UNet: Refined Class Activation Mapping for Weakly-Supervised
Semantic Segmentation with Multi-scale Inference [28.409679398886304]
我々は、デコードフェーズに2つの並列分岐を持つMixed-UNetという新しいモデルを開発する。
地域病院や公開データセットから収集したデータセットに対して,いくつかの一般的なディープラーニングに基づくセグメンテーションアプローチに対して,設計したMixed-UNetを評価した。
論文 参考訳（メタデータ） (2022-05-06T08:37:02Z) - Localization Distillation for Object Detection [134.12664548771534]
物体検出のための従来の知識蒸留法(KD)は、分類ロジットを模倣するのではなく、主に特徴模倣に焦点を当てている。
本稿では,教師から生徒に効率よくローカライズ知識を伝達できる新しいローカライズ蒸留法を提案する。
われわれは,ロジット模倣が特徴模倣より優れることを示すとともに,ロージット模倣が何年もの間,ロージット模倣が不十分であった理由として,ロージット蒸留が欠如していることが重要である。
論文 参考訳（メタデータ） (2022-04-12T17:14:34Z) - Low-resolution Human Pose Estimation [49.531572116079026]
低分解能ポーズ推定のための信頼意識学習(CAL)手法を提案する。
CALは、既存のオフセット学習手法の2つの基本的な制限に対処する: 一貫性のないトレーニングとテスト、分離されたヒートマップとオフセット学習。
提案手法は,低分解能人間のポーズ推定における最先端の手法よりも優れていた。
論文 参考訳（メタデータ） (2021-09-19T09:13:57Z) - Visualization of Supervised and Self-Supervised Neural Networks via
Attribution Guided Factorization [87.96102461221415]
クラスごとの説明性を提供するアルゴリズムを開発した。
実験の広範なバッテリーでは、クラス固有の可視化のための手法の能力を実証する。
論文 参考訳（メタデータ） (2020-12-03T18:48:39Z) - Attention Model Enhanced Network for Classification of Breast Cancer
Image [54.83246945407568]
AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。
微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。
3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
論文 参考訳（メタデータ） (2020-10-07T08:44:21Z) - Combining Deep Learning with Geometric Features for Image based
Localization in the Gastrointestinal Tract [8.510792628268824]
そこで本研究では,Deep Learning法と従来の特徴量に基づく手法を併用して,小さなトレーニングデータを用いたより優れたローカライゼーションを実現する手法を提案する。
本手法は, セグメンテッドトレーニング画像セットにおいて, 最寄りのゾーンに数発の分類を行うために, シームズネットワーク構造を導入することにより, 両世界の長所をフル活用する。
精度は28.94% (Position) と10.97% (Orientation) で改善されている。
論文 参考訳（メタデータ） (2020-05-11T23:04:00Z) - There and Back Again: Revisiting Backpropagation Saliency Methods [87.40330595283969]
正当性法は,各入力サンプルの重要度マップを作成することによって,モデルの予測を説明する。
このような手法の一般的なクラスは、信号のバックプロパゲートと結果の勾配の分析に基づいている。
本稿では,そのような手法を統一可能な単一のフレームワークを提案する。
論文 参考訳（メタデータ） (2020-04-06T17:58:08Z)
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。