論文の概要: Effects of annotation granularity in deep learning models for histopathological images

• arxiv url: http://arxiv.org/abs/2001.04663v1
• Date: Tue, 14 Jan 2020 08:39:51 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-11 12:35:48.175758
• Title: Effects of annotation granularity in deep learning models for histopathological images
• Title（参考訳）: 組織像の深層学習モデルにおけるアノテーション粒度の影響
• Authors: Jiangbo Shi, Zeyu Gao, Haichuan Zhang, Pargorn Puttapirat, Chunbao Wang, Xiangrong Zhang, Chen Li
• Abstract要約: 本研究は,画像ワイド,バウンディングボックス,楕円ワイド,ピクセルワイドを含む注釈付きデータセットの粒度について検討する。 分類において、最先端のディープラーニングベースの分類器は、ピクセルワイズ・アノテーション・データセットによって訓練された場合、より優れた性能を発揮する。 本研究は, より微細なアノテーションが深層学習モデルの性能を向上させるだけでなく, より正確な表現型情報を抽出する上でも有効であることを示す。
• 参考スコア（独自算出の注目度）: 5.841728014428438
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pathological is crucial to cancer diagnosis. Usually, Pathologists draw their conclusion based on observed cell and tissue structure on histology slides. Rapid development in machine learning, especially deep learning have established robust and accurate classifiers. They are being used to analyze histopathological slides and assist pathologists in diagnosis. Most machine learning systems rely heavily on annotated data sets to gain experiences and knowledge to correctly and accurately perform various tasks such as classification and segmentation. This work investigates different granularity of annotations in histopathological data set including image-wise, bounding box, ellipse-wise, and pixel-wise to verify the influence of annotation in pathological slide on deep learning models. We design corresponding experiments to test classification and segmentation performance of deep learning models based on annotations with different annotation granularity. In classification, state-of-the-art deep learning-based classifiers perform better when trained by pixel-wise annotation dataset. On average, precision, recall and F1-score improves by 7.87%, 8.83% and 7.85% respectively. Thus, it is suggested that finer granularity annotations are better utilized by deep learning algorithms in classification tasks. Similarly, semantic segmentation algorithms can achieve 8.33% better segmentation accuracy when trained by pixel-wise annotations. Our study shows not only that finer-grained annotation can improve the performance of deep learning models, but also help extracts more accurate phenotypic information from histopathological slides. Intelligence systems trained on granular annotations may help pathologists inspecting certain regions for better diagnosis. The compartmentalized prediction approach similar to this work may contribute to phenotype and genotype association studies.
• Abstract（参考訳）: 病理は癌診断に不可欠である。 病理学者は通常、観察された細胞と組織構造に基づいて組織スライドに基づいて結論を導き出す。 機械学習の急速な発展、特にディープラーニングは、堅牢で正確な分類器を確立している。 病理組織学的なスライドの分析や診断の補助に用いられている。 ほとんどの機械学習システムは、分類やセグメンテーションなどのさまざまなタスクを正確かつ正確に実行するために、注釈付きデータセットに強く依存している。 本研究は, 画像, 境界箱, 楕円, 画素単位を含む病理組織データセットにおけるアノテーションの粒度の違いを調査し, 病理スライドにおけるアノテーションの影響を深層学習モデルに検証する。 アノテーションの粒度が異なるアノテーションに基づいて,ディープラーニングモデルのテスト分類とセグメンテーション性能に対応する実験をデザインする。 分類において、最先端のディープラーニングベースの分類器は、ピクセル毎のアノテーションデータセットでトレーニングした場合、よりよい性能を発揮する。 平均精度、リコール、F1スコアはそれぞれ7.87%、8.83%、そして7.85%向上している。 したがって, より粒度の細かいアノテーションは, 分類タスクにおけるディープラーニングアルゴリズムによりより有効に利用できることが示唆された。 同様に、セマンティックセグメンテーションアルゴリズムはピクセルワイドアノテーションによって訓練された場合、セグメンテーションの精度が8.33%向上する。 本研究は,細粒度アノテーションが深層学習モデルの性能を向上させるだけでなく,病理組織学的スライドからより正確な表現型情報を抽出するのに役立つことを示す。 細かいアノテーションで訓練された知能システムは、特定の領域を検査して診断を改善するのに役立つかもしれない。 この研究に類似した包括的予測アプローチは、表現型および遺伝子型関連研究に寄与する可能性がある。

関連論文リスト

• Impact of imperfect annotations on CNN training and performance for instance segmentation and classification in digital pathology [1.2277343096128712]
  病理組織像における核の検出・分節化・分節化を併用した作業において,ノイズアノテーションが最先端CNNモデルの訓練・性能に与える影響について検討した。 この結果から, モデル性能の過度な適合や維持を回避する上で, 注釈付き小セットの有効利用が有効であることが示唆された。
  論文  参考訳（メタデータ） (2024-10-18T10:51:10Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• Weakly supervised segmentation with point annotations for histopathology images via contrast-based variational model [7.021021047695508]
  病理組織像のセグメンテーション結果を生成するためのコントラストモデルを提案する。 本手法は,病理組織像における対象領域の共通特性を考察し,エンドツーエンドで訓練することができる。 より地域的に一貫性があり、スムーズな境界セグメンテーションを生成することができ、未ラベルの新規領域に対してより堅牢である。
  論文  参考訳（メタデータ） (2023-04-07T10:12:21Z)
• SegPrompt: Using Segmentation Map as a Better Prompt to Finetune Deep Models for Kidney Stone Classification [62.403510793388705]
  深層学習は、内視鏡画像を用いた腎臓結石分類のための奨励的な結果を生み出している。 注釈付きトレーニングデータの不足は、トレーニングされたモデルの性能と一般化能力を改善する上で深刻な問題を引き起こす。 本稿では,セグメンテーションマップを2つの側面から活用することにより,データ不足問題を軽減するためにSegPromptを提案する。
  論文  参考訳（メタデータ） (2023-03-15T01:30:48Z)
• Active Learning Based Domain Adaptation for Tissue Segmentation of Histopathological Images [1.4724454726700604]
  対象ドメインからラベル付きデータの小さなセットを使用して,次にラベル付けする最も情報性の高いサンプルを選択する,事前学習されたディープニューラルネットワークを提案する。 従来のF1スコアを用いた教師あり学習手法と比較して,本手法はラベル付きサンプルよりもはるかに少ない性能を示す。
  論文  参考訳（メタデータ） (2023-03-09T13:03:01Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images [83.7047542725469]
  病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
  論文  参考訳（メタデータ） (2021-09-22T15:06:06Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• NuCLS: A scalable crowdsourcing, deep learning approach and dataset for nucleus classification, localization and segmentation [0.0]
  ディープラーニングアルゴリズムは、トレーニングと検証のために多数のラベル付きインスタンスを与えられた正確なマッピングを提供することができる。 十分な量の品質ラベルを生成することは 計算病理学において 重要な障壁として現れています 弱いアルゴリズムが生成するアノテーションは、非専門家が生成するアノテーションの精度をいかに向上させるかを示す。
  論文  参考訳（メタデータ） (2021-02-18T01:17:17Z)
• Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
  本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。 2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
  論文  参考訳（メタデータ） (2020-04-05T13:46:16Z)

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。