論文の概要: Decoupled Gradient Harmonized Detector for Partial Annotation: Application to Signet Ring Cell Detection

• arxiv url: http://arxiv.org/abs/2004.04455v1
• Date: Thu, 9 Apr 2020 09:53:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-15 03:21:45.194207
• Title: Decoupled Gradient Harmonized Detector for Partial Annotation: Application to Signet Ring Cell Detection
• Title（参考訳）: 部分アノテーション用疎結合型高調波検出器:シグネトリング細胞検出への応用
• Authors: Tiancheng Lin, Yuanfan Guo, Canqian Yang, Jiancheng Yang and Yi Xu
• Abstract要約: 本稿では,DGHM-C損失(DGHM-C損失)と表現される分類損失(DGHM-C損失)にデカップリンググラディエント調和機構(DGHM)を組み込む。 笛と鐘がなければ、私たちはその挑戦で2位を獲得しました。
• 参考スコア（独自算出の注目度）: 13.530905176008057
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Early diagnosis of signet ring cell carcinoma dramatically improves the survival rate of patients. Due to lack of public dataset and expert-level annotations, automatic detection on signet ring cell (SRC) has not been thoroughly investigated. In MICCAI DigestPath2019 challenge, apart from foreground (SRC region)-background (normal tissue area) class imbalance, SRCs are partially annotated due to costly medical image annotation, which introduces extra label noise. To address the issues simultaneously, we propose Decoupled Gradient Harmonizing Mechanism (DGHM) and embed it into classification loss, denoted as DGHM-C loss. Specifically, besides positive (SRCs) and negative (normal tissues) examples, we further decouple noisy examples from clean examples and harmonize the corresponding gradient distributions in classification respectively. Without whistles and bells, we achieved the 2nd place in the challenge. Ablation studies and controlled label missing rate experiments demonstrate that DGHM-C loss can bring substantial improvement in partially annotated object detection.
• Abstract（参考訳）: signet ring cell carcinomaの早期診断は、患者の生存率を劇的に改善する。 公開データセットや専門家レベルのアノテーションが欠如しているため,シグナリング細胞(SRC)の自動検出は十分に研究されていない。 MICCAI DigestPath2019の課題では、前景(SRC)バックグラウンド(正常組織領域)クラス不均衡とは別に、SRCは高価な医用画像アノテーションによって部分的に注釈付けされ、ラベルノイズが生じる。 そこで本研究では,dghm(decoupled gradient harmonizing mechanism)を提案し,dghm-c lossと呼ばれる分類損失に組み込む。 具体的には, 正(srcs)および負(正規組織)の例に加えて, クリーンな例からノイズの多い例を分離し, 対応する勾配分布の分類をそれぞれ調和させる。 ホイッスルとベルがなければ、私たちは挑戦で2位になった。 アブレーション研究とラベル欠落率の制御実験により、dghm-cの損失は部分的な注釈付き物体検出において大幅な改善をもたらすことが示されている。

関連論文リスト

• SDEMG: Score-based Diffusion Model for Surface Electromyographic Signal Denoising [15.472398279233515]
  表面筋電図(sEMG)記録は、監視される筋肉が心臓に近いときに心電図(ECG)信号に影響される。 本稿では,SDEMGと呼ばれる新しい手法を提案し,SEMG信号デノイングのためのスコアベース拡散モデルを提案する。
  論文  参考訳（メタデータ） (2024-02-06T08:48:39Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• cOOpD: Reformulating COPD classification on chest CT scans as anomaly detection using contrastive representations [0.6733204971296001]
  cOOpD: 正常な同種肺領域からヘテロジニアス領域がアウト・オブ・ディストリビューション (OOD) として検出される。 生成モデルは、健全な表現の分布を学び、異常を逸脱として識別する。 AUROCでは,cOOpDが8.2%,7.7%の増加とともに,2つの公開データセット上で最高のパフォーマンスを実現していることを示す。
  論文  参考訳（メタデータ） (2023-07-14T10:05:37Z)
• Doubly Stochastic Models: Learning with Unbiased Label Noises and Inference Stability [85.1044381834036]
  勾配降下のミニバッチサンプリング設定におけるラベル雑音の暗黙的正則化効果について検討した。 そのような暗黙的正則化器は、パラメータの摂動に対してモデル出力を安定化できる収束点を好んでいる。 我々の研究は、SGDをオルンシュタイン-ウレンベック類似の過程とはみなせず、近似の収束によってより一般的な結果を得る。
  論文  参考訳（メタデータ） (2023-04-01T14:09:07Z)
• The role of noise in denoising models for anomaly detection in medical images [62.0532151156057]
  病理脳病変は脳画像に多彩な外観を示す。 正規データのみを用いた教師なし異常検出手法が提案されている。 空間分解能の最適化と雑音の大きさの最適化により,異なるモデル学習体制の性能が向上することを示す。
  論文  参考訳（メタデータ） (2023-01-19T21:39:38Z)
• A Causal Intervention Scheme for Semantic Segmentation of Quasi-periodic Cardiovascular Signals [7.182731690965173]
  フレームレベルのコントラスト的枠組みの下で,新たなトレーニングパラダイムを形成するために,コントラスト的因果介入(CCI)を提案する。 この介入は、単一の属性によってもたらされる暗黙の統計的バイアスを排除し、より客観的な表現につながる。
  論文  参考訳（メタデータ） (2022-09-19T13:54:51Z)
• Sample hardness based gradient loss for long-tailed cervical cell detection [40.503143547742866]
  本稿では,各試料の硬度を異なるカテゴリで動的に調整するaGrad-Libra Lossを提案する。 我々の損失は、検出器が頭と尾の両方でこれらの硬いサンプルをより強調するのに役立ちます。
  論文  参考訳（メタデータ） (2022-08-07T17:52:29Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• 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)
• Improving Medical Image Classification with Label Noise Using Dual-uncertainty Estimation [72.0276067144762]
  医用画像における2種類のラベルノイズについて論じ,定義する。 医用画像分類作業中にこれら2つのラベルノイズを処理する不確実性推定に基づくフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-28T14:56:45Z)
• Cost-Sensitive Regularization for Diabetic Retinopathy Grading from Eye Fundus Images [20.480034690570196]
  本稿では,眼底画像から糖尿病網膜症(DR)の重症度を予測するための制約を強制するための簡単なアプローチを提案する。 正規化要因として機能する余分な用語で標準分類損失を拡大する。 DRグレーディングに関連する各サブプロブレムにおいて,ラベルノイズのモデル化に我々の手法を適用する方法について述べる。
  論文  参考訳（メタデータ） (2020-10-01T10:42:06Z)

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。