論文の概要: TIMELY: Improving Labeling Consistency in Medical Imaging for Cell Type
Classification
- arxiv url: http://arxiv.org/abs/2007.05307v1
- Date: Fri, 10 Jul 2020 11:13:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 20:57:24.186319
- Title: TIMELY: Improving Labeling Consistency in Medical Imaging for Cell Type
Classification
- Title(参考訳): TIMELY:細胞型分類のための医用画像のラベリング一貫性の向上
- Authors: Yushan Liu, Markus M. Geipel, Christoph Tietz, Florian Buettner
- Abstract要約: 白血病や貧血などの疾患の診断には、確実な数の血液細胞が必要である。
血液学者は通常、手動で血液細胞の顕微鏡画像にラベルを付け、カウントする。
多くの場合、異なる成熟状態の細胞は識別が困難であり、画像ノイズや主観性と組み合わせることで、人間はラベル付けミスをしがちである。
擬似時間推定法と不均一な隠れマルコフ木を組み合わせた確率モデルであるTIMELYを導入する。
- 参考スコア(独自算出の注目度): 6.027000905586107
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Diagnosing diseases such as leukemia or anemia requires reliable counts of
blood cells. Hematologists usually label and count microscopy images of blood
cells manually. In many cases, however, cells in different maturity states are
difficult to distinguish, and in combination with image noise and subjectivity,
humans are prone to make labeling mistakes. This results in labels that are
often not reproducible, which can directly affect the diagnoses. We introduce
TIMELY, a probabilistic model that combines pseudotime inference methods with
inhomogeneous hidden Markov trees, which addresses this challenge of label
inconsistency. We show first on simulation data that TIMELY is able to identify
and correct wrong labels with higher precision and recall than baseline methods
for labeling correction. We then apply our method to two real-world datasets of
blood cell data and show that TIMELY successfully finds inconsistent labels,
thereby improving the quality of human-generated labels.
- Abstract(参考訳): 白血病や貧血などの疾患の診断には、信頼できる血液細胞数を必要とする。
血液学者は通常、血液細胞の顕微鏡画像のラベル付けとカウントを行う。
しかし、多くの場合、異なる成熟状態の細胞は区別が困難であり、画像ノイズや主観性と組み合わせることで、人間はラベル付けミスをしがちである。
この結果、しばしば再現できないラベルが、直接診断に影響を与える可能性がある。
我々は、擬似時間推論手法と不均一な隠れマルコフ木を組み合わせた確率モデルであるTIMELYを導入し、ラベルの不整合の問題に対処する。
まず,誤りラベルを精度良く識別・修正できるシミュレーションデータについて,ラベル補正のためのベースライン法よりも精度良くリコールできることを示す。
そこで本手法を2つの実世界の血液細胞データデータセットに適用し,TIMELYが不整合性ラベルの発見に成功したことを示す。
関連論文リスト
- Clinically Labeled Contrastive Learning for OCT Biomarker Classification [12.633032175875865]
本稿では,臨床データから抽出可能なラベルに基づく医用画像のコントラスト学習手法を提案する。
バイオマーカーラベルを使わずに,臨床データを擬似ラベルとして利用することで,この関係を活用できる。
バイオマーカー検出AUROCでは,最大5%の性能向上が見られた。
論文 参考訳(メタデータ) (2023-05-24T13:51:48Z) - Clinical Contrastive Learning for Biomarker Detection [15.510581400494207]
臨床とバイオマーカーデータの関係を利用して,バイオマーカー分類の性能を向上する。
これは、バイオマーカーラベルを使わずに、大量の臨床データを擬似ラベルとして活用することで達成される。
本手法は, バイオマーカー検出の精度を最大5%向上させることで, 自己監督手法の精度を最大で5%向上させることを示した。
論文 参考訳(メタデータ) (2022-11-09T18:29:56Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳(メタデータ) (2022-08-05T18:52:20Z) - Less is More: Adaptive Curriculum Learning for Thyroid Nodule Diagnosis [50.231954872304314]
不整合ラベルによるサンプルの発見と破棄を適応的に行うAdaptive Curriculum Learningフレームワークを提案する。
また、TNCD: Thyroid Nodule Classification データセットも提供します。
論文 参考訳(メタデータ) (2022-07-02T11:50:02Z) - Test-time Adaptation with Calibration of Medical Image Classification
Nets for Label Distribution Shift [24.988087560120366]
医用画像分類のためのラベルシフトに最初に取り組む手法を提案する。
本手法は,1つのトレーニングラベル分布から学習したモデルを任意の未知のテストラベル分布に効果的に適用する。
肝線維症ステージングと重症度予測の2つの重要な医用画像分類タスクについて,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-07-02T07:55:23Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳(メタデータ) (2022-06-01T09:20:30Z) - Cell Detection from Imperfect Annotation by Pseudo Label Selection Using
P-classification [9.080472817672264]
不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。
このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。
5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
論文 参考訳(メタデータ) (2021-07-20T07:08:05Z) - 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) - Flow-Mixup: Classifying Multi-labeled Medical Images with Corrupted
Labels [8.680257258013354]
本稿では,複数ラベルの医用画像分類のための新しい正規化手法であるFlow-Mixupを提案する。
flow-mixupは、各異常に対して堅牢な機能をキャプチャするモデルをガイドする。
2つの心電図データセットと破損ラベルを含む胸部x線データセットの実験は、フローミックスアップが効果的で破損ラベルに非感受性であることを検証している。
論文 参考訳(メタデータ) (2021-02-09T16:04:26Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z) - Dynamic Graph Correlation Learning for Disease Diagnosis with Incomplete
Labels [66.57101219176275]
胸部X線画像上の疾患診断は,多ラベル分類の課題である。
本稿では,異なる疾患間の相互依存を調査する新たな視点を提示する病的診断グラフ畳み込みネットワーク(DD-GCN)を提案する。
本手法は,相関学習のための動的隣接行列を用いた特徴写像上のグラフを初めて構築する手法である。
論文 参考訳(メタデータ) (2020-02-26T17:10:48Z)
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。