論文の概要: Are pathologist-defined labels reproducible? Comparison of the TUPAC16 mitotic figure dataset with an alternative set of labels

• arxiv url: http://arxiv.org/abs/2007.05351v1
• Date: Fri, 10 Jul 2020 12:44:54 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-11 21:52:13.407371
• Title: Are pathologist-defined labels reproducible? Comparison of the TUPAC16 mitotic figure dataset with an alternative set of labels
• Title（参考訳）: 病理学者定義ラベルは再現可能か? TUPAC16 mitotic figure データセットと代替ラベルの比較
• Authors: Christof A. Bertram and Mitko Veta and Christian Marzahl and Nikolas Stathonikos and Andreas Maier and Robert Klopfleisch and Marc Aubreville
• Abstract要約: 我々は,TUPAC16チャレンジの補助ミトーシスデータセットの画像に対して,別のラベルセットを提案する。 本研究の結果,病理学者が定義したラベルは,モデルの性能に顕著な違いをもたらす可能性が示唆された。
• 参考スコア（独自算出の注目度）: 8.470572262262719
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathologist-defined labels are the gold standard for histopathological data sets, regardless of well-known limitations in consistency for some tasks. To date, some datasets on mitotic figures are available and were used for development of promising deep learning-based algorithms. In order to assess robustness of those algorithms and reproducibility of their methods it is necessary to test on several independent datasets. The influence of different labeling methods of these available datasets is currently unknown. To tackle this, we present an alternative set of labels for the images of the auxiliary mitosis dataset of the TUPAC16 challenge. Additional to manual mitotic figure screening, we used a novel, algorithm-aided labeling process, that allowed to minimize the risk of missing rare mitotic figures in the images. All potential mitotic figures were independently assessed by two pathologists. The novel, publicly available set of labels contains 1,999 mitotic figures (+28.80%) and additionally includes 10,483 labels of cells with high similarities to mitotic figures (hard examples). We found significant difference comparing F_1 scores between the original label set (0.549) and the new alternative label set (0.735) using a standard deep learning object detection architecture. The models trained on the alternative set showed higher overall confidence values, suggesting a higher overall label consistency. Findings of the present study show that pathologists-defined labels may vary significantly resulting in notable difference in the model performance. Comparison of deep learning-based algorithms between independent datasets with different labeling methods should be done with caution.
• Abstract（参考訳）: 病理学者が定義するラベルは、いくつかのタスクの一貫性の既知の制限に関わらず、病理組織学的データセットの黄金の標準である。 これまでは、mitotic figuresのデータセットの一部が利用可能であり、将来性のあるディープラーニングベースのアルゴリズムの開発に使われていた。 これらのアルゴリズムのロバスト性とアルゴリズムの再現性を評価するには、いくつかの独立したデータセットでテストする必要がある。 これらのデータセットの異なるラベル付け方法の影響は現在不明である。 そこで本研究では,TUPAC16チャレンジの補助ミトーシスデータセットの画像に対して,別のラベルセットを提案する。 手動の有糸分裂図形スクリーニングに加えて,画像中に稀な有糸分裂図形が欠落するリスクを最小限に抑える新しいアルゴリズム支援ラベル法を用いた。 全ての有糸分裂病原体は2人の病理学者によって独立に評価された。 新規に公開されたラベルセットは、1,999個の有糸分裂細胞(+28.80%)を含み、さらに10,483個の有糸分裂細胞(硬い例)を含む。 標準深層学習オブジェクト検出アーキテクチャを用いて,F_1スコア(0.549)と新しい代替ラベル(0.735)とを比較した。 代替セットでトレーニングされたモデルでは、全体的な信頼性が向上し、ラベルの一貫性が向上した。 本研究の結果,病理学者が定義したラベルは,モデルの性能に顕著な違いをもたらす可能性が示唆された。 異なるラベル付け手法による独立データセット間のディープラーニングに基づくアルゴリズムの比較には注意が必要である。

関連論文リスト

• Dual-Label Learning With Irregularly Present Labels [14.817794592309637]
  本研究は,2ラベル学習に焦点をあて,新たなトレーニングおよび推論フレームワークであるデュアルラベル学習(DLL)を提案する。 提案手法は,F1スコアやMAPEの10%向上により,ベースライン手法よりも一貫した予測を行う。 また,ラベルの欠落率を60%に抑えることで,ラベルの欠落率を10%に抑えることができた。
  論文  参考訳（メタデータ） (2024-10-18T11:07:26Z)
• Dual-Decoupling Learning and Metric-Adaptive Thresholding for Semi-Supervised Multi-Label Learning [81.83013974171364]
  半教師付きマルチラベル学習(SSMLL)は、正確なマルチラベルアノテーションを収集するコストを削減するために、ラベルのないデータを活用する強力なフレームワークである。 半教師付き学習とは異なり、インスタンスに含まれる複数のセマンティクスのため、SSMLLの擬似ラベルとして最も確率の高いラベルを選択することはできない。 本稿では,高品質な擬似ラベルを生成するための二重パースペクティブ手法を提案する。
  論文  参考訳（メタデータ） (2024-07-26T09:33:53Z)
• Automatic Labels are as Effective as Manual Labels in Biomedical Images Classification with Deep Learning [32.71326861917332]
  特定のタスクを実行するためにディープラーニングアルゴリズムを訓練する主な制限の1つは、医療専門家がデータをラベル付けする必要があることである。 本稿では,全スライド画像(WSI)の分類に基づくDLモデルをトレーニングするために,自動ラベルをどのような状況で適用できるかを検討することを目的とする。 セマンティック・ナレッジ・エクストラクタ・ツール(SKET)アルゴリズムを用いて自動ラベルを生成すると、手動ラベルで得られたものと同等の性能が得られる。
  論文  参考訳（メタデータ） (2024-06-20T14:20:50Z)
• You can't handle the (dirty) truth: Data-centric insights improve pseudo-labeling [60.27812493442062]
  擬似ラベル法を改善するためにラベル付きデータ品質を調査することが重要であることを示す。 具体的には、擬似ラベルの拡張のために、DIPSと呼ばれる新しいデータキャラクタリゼーションと選択フレームワークを導入する。 本研究では,多種多様な実世界のデータセットを対象とした擬似ラベル手法に対するDIPSの適用性と影響を実証する。
  論文  参考訳（メタデータ） (2024-06-19T17:58:40Z)
• Leveraging Fixed and Dynamic Pseudo-labels for Semi-supervised Medical Image Segmentation [7.9449756510822915]
  半教師付き医用画像セグメンテーションは、注釈のないデータを利用する能力によって、関心が高まりつつある。 現在の最先端の手法は、主にコトレーニングフレームワーク内の擬似ラベルに依存している。 本稿では,同一の未注釈画像に対する複数の擬似ラベルを用いてラベルのないデータから学習する手法を提案する。
  論文  参考訳（メタデータ） (2024-05-12T11:30:01Z)
• Co-Correcting: Noise-tolerant Medical Image Classification via mutual Label Correction [5.994566233473544]
  本稿では,Co-Correctingという耐雑音性医用画像分類フレームワークを提案する。 分類精度を大幅に向上させ、デュアルネットワーク相互学習、ラベル確率推定、カリキュラムラベルの修正を通じてより正確なラベルを得る。 実験により, 様々なタスクにおいて, 雑音比の異なるコココレクショニングが最適な精度と一般化を実現することが示された。
  論文  参考訳（メタデータ） (2021-09-11T02:09:52Z)
• Minimax Active Learning [61.729667575374606]
  アクティブラーニングは、人間のアノテーションによってラベル付けされる最も代表的なサンプルをクエリすることによって、ラベル効率の高いアルゴリズムを開発することを目指している。 現在のアクティブラーニング技術は、最も不確実なサンプルを選択するためにモデルの不確実性に頼るか、クラスタリングを使うか、最も多様なラベルのないサンプルを選択するために再構築する。 我々は,不確実性と多様性を両立させる半教師付きミニマックスエントロピーに基づく能動学習アルゴリズムを開発した。
  論文  参考訳（メタデータ） (2020-12-18T19:03:40Z)
• Instance-Aware Graph Convolutional Network for Multi-Label Classification [55.131166957803345]
  グラフ畳み込みニューラルネットワーク(GCN)は、マルチラベル画像認識タスクを効果的に強化した。 マルチラベル分類のための事例対応グラフ畳み込みニューラルネットワーク(IA-GCN)フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-19T12:49:28Z)
• Debiased Contrastive Learning [64.98602526764599]
  我々は,同ラベルデータポイントのサンプリングを補正する,偏りのあるコントラスト目的の開発を行う。 実証的に、提案する目的は、視覚、言語、強化学習ベンチマークにおける表現学習の最先端を一貫して上回る。
  論文  参考訳（メタデータ） (2020-07-01T04:25:24Z)
• 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)

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。