論文の概要: How Much Off-The-Shelf Knowledge Is Transferable From Natural Images To Pathology Images?

• arxiv url: http://arxiv.org/abs/2005.01609v3
• Date: Sat, 9 May 2020 01:44:42 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 03:15:44.749946
• Title: How Much Off-The-Shelf Knowledge Is Transferable From Natural Images To Pathology Images?
• Title（参考訳）: 自然画像から病理画像にどの程度の知識を転送できるのか?
• Authors: Xingyu Li, Konstantinos N. Plataniotis
• Abstract要約: 近年の研究では、病理画像解析において自然画像から得られる知識を再利用するために転写学習を活用している。 本稿では,特定のレイヤによる知識獲得を定量化するためのフレームワークを提案する。 初期の層によって生成される一般的な表現は、様々な画像分類アプリケーションで伝達された知識を伝達する。
• 参考スコア（独自算出の注目度）: 36.009216029815555
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning has achieved a great success in natural image classification. To overcome data-scarcity in computational pathology, recent studies exploit transfer learning to reuse knowledge gained from natural images in pathology image analysis, aiming to build effective pathology image diagnosis models. Since transferability of knowledge heavily depends on the similarity of the original and target tasks, significant differences in image content and statistics between pathology images and natural images raise the questions: how much knowledge is transferable? Is the transferred information equally contributed by pre-trained layers? To answer these questions, this paper proposes a framework to quantify knowledge gain by a particular layer, conducts an empirical investigation in pathology image centered transfer learning, and reports some interesting observations. Particularly, compared to the performance baseline obtained by random-weight model, though transferability of off-the-shelf representations from deep layers heavily depend on specific pathology image sets, the general representation generated by early layers does convey transferred knowledge in various image classification applications. The observation in this study encourages further investigation of specific metric and tools to quantify effectiveness and feasibility of transfer learning in future.
• Abstract（参考訳）: 深層学習は自然画像分類において大きな成功を収めた。 近年の計算病理学におけるデータ共有化を克服するため,病理画像解析において自然画像から得られた知識を再利用するために移動学習を活用し,効果的な病理画像診断モデルの構築を目指している。 知識の伝達可能性は、元のタスクと対象タスクの類似性に大きく依存するため、画像の内容と病理画像と自然画像の統計の有意な違いは、その疑問を提起する。 転送された情報は、同様にトレーニング済みのレイヤによって提供されますか? そこで本稿では,特定の層による知識の獲得度を定量化し,病理画像中心の伝達学習における経験的研究を行い,興味深い知見を報告する。 特に、ランダムウェイトモデルで得られた性能ベースラインと比較して、深層からのオフザシェルフ表現の転送性は特定の病理画像集合に大きく依存するが、初期層が生成した一般的な表現は、様々な画像分類アプリケーションで伝達された知識を伝達する。 本研究は, 今後, 伝達学習の有効性と可能性の定量化に向け, 具体的な測定基準とツールのさらなる研究を奨励するものである。

関連論文リスト

• Knowledge-enhanced Visual-Language Pretraining for Computational Pathology [68.6831438330526]
  本稿では,公共資源から収集した大規模画像テキストペアを利用した視覚的表現学習の課題について考察する。 ヒト32組織から病理診断を必要とする4,718の疾患に対して50,470個の情報属性からなる病理知識ツリーをキュレートする。
  論文  参考訳（メタデータ） (2024-04-15T17:11:25Z)
• Adversarial-Robust Transfer Learning for Medical Imaging via Domain Assimilation [17.46080957271494]
  医用画像が公開されていないため、現代のアルゴリズムは、大量の自然画像に基づいて事前訓練されたモデルに依存するようになった。 自然画像と医療画像の間に重要なエムドメインの相違があり、AIモデルは敵の攻撃に対するエムの脆弱性を高める。 本稿では,テクスチャと色適応を伝達学習に導入する Em ドメイン同化手法を提案する。
  論文  参考訳（メタデータ） (2024-02-25T06:39:15Z)
• MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
  本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。 我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。 特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
  論文  参考訳（メタデータ） (2024-02-03T05:48:50Z)
• Causality-Driven One-Shot Learning for Prostate Cancer Grading from MRI [1.049712834719005]
  本稿では,画像中の弱い因果信号を学習し,活用する医用画像の自動分類手法を提案する。 我々のフレームワークは畳み込みニューラルネットワークのバックボーンと因果抽出モジュールで構成されている。 本研究は,特徴間の因果関係が,関連情報を識別するモデルの能力を高める上で重要な役割を担っていることを示す。
  論文  参考訳（メタデータ） (2023-09-19T16:08:33Z)
• Performance of GAN-based augmentation for deep learning COVID-19 image classification [57.1795052451257]
  ディープラーニングを医療分野に適用する上で最大の課題は、トレーニングデータの提供である。 データ拡張は、限られたデータセットに直面した時に機械学習で使用される典型的な方法論である。 本研究は, 新型コロナウイルスの胸部X線画像セットを限定して, StyleGAN2-ADAモデルを用いて訓練するものである。
  論文  参考訳（メタデータ） (2023-04-18T15:39:58Z)
• What Makes Transfer Learning Work For Medical Images: Feature Reuse & Other Factors [1.5207770161985628]
  医学領域への転帰学習が有用であるか否かは,どの要因が決定されるかは定かではない。 転送学習,データサイズ,モデルのキャパシティと帰納バイアス,およびソースとターゲットドメイン間の距離の関係について検討する。
  論文  参考訳（メタデータ） (2022-03-02T10:13:11Z)
• HistoKT: Cross Knowledge Transfer in Computational Pathology [31.14107299224401]
  CPath (Computer pathology) におけるよく注釈付けられたデータセットの欠如は、医学画像の分類にディープラーニング技術を適用することを妨げている。 ほとんどのトランスファーラーニング研究はモデル中心のアプローチに従っており、ネットワークパラメータをチューニングして、少数のデータセットでのトランスファー結果を改善する。
  論文  参考訳（メタデータ） (2022-01-27T00:34:19Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study [6.762603053858596]
  本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。 病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
  論文  参考訳（メタデータ） (2020-05-10T21:27:38Z)

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。