論文の概要: FocusLiteNN: High Efficiency Focus Quality Assessment for Digital
Pathology
- arxiv url: http://arxiv.org/abs/2007.06565v2
- Date: Thu, 1 Oct 2020 17:21:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-11 13:26:50.630746
- Title: FocusLiteNN: High Efficiency Focus Quality Assessment for Digital
Pathology
- Title(参考訳): FocusLiteNN: デジタル病理における高効率フォーカス品質評価
- Authors: Zhongling Wang, Mahdi S. Hosseini, Adyn Miles, Konstantinos N.
Plataniotis, Zhou Wang
- Abstract要約: 本稿では,ハードウェアの過剰な要求を伴わずに,知識駆動方式と同様の高速な計算を行うCNNベースのモデルを提案する。
FocusPathを使って、9つの異なる色の組織スライドを含むトレーニングデータセットを作成します。
CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
- 参考スコア(独自算出の注目度): 42.531674974834544
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Out-of-focus microscopy lens in digital pathology is a critical bottleneck in
high-throughput Whole Slide Image (WSI) scanning platforms, for which
pixel-level automated Focus Quality Assessment (FQA) methods are highly
desirable to help significantly accelerate the clinical workflows. Existing FQA
methods include both knowledge-driven and data-driven approaches. While
data-driven approaches such as Convolutional Neural Network (CNN) based methods
have shown great promises, they are difficult to use in practice due to their
high computational complexity and lack of transferability. Here, we propose a
highly efficient CNN-based model that maintains fast computations similar to
the knowledge-driven methods without excessive hardware requirements such as
GPUs. We create a training dataset using FocusPath which encompasses diverse
tissue slides across nine different stain colors, where the stain diversity
greatly helps the model to learn diverse color spectrum and tissue structures.
In our attempt to reduce the CNN complexity, we find with surprise that even
trimming down the CNN to the minimal level, it still achieves a highly
competitive performance. We introduce a novel comprehensive evaluation dataset,
the largest of its kind, annotated and compiled from TCGA repository for model
assessment and comparison, for which the proposed method exhibits superior
precision-speed trade-off when compared with existing knowledge-driven and
data-driven FQA approaches.
- Abstract(参考訳): デジタル病理学におけるアウト・オブ・フォーカス顕微鏡レンズは、ピクセルレベルの自動フォーカス品質評価(FQA)手法が臨床ワークフローを著しく加速するのに非常に望ましい、高スループット全スライド画像(WSI)スキャンプラットフォームにおいて、重要なボトルネックとなっている。
既存のFQAメソッドには、知識駆動アプローチとデータ駆動アプローチの両方が含まれている。
convolutional neural network (cnn) ベースの手法のようなデータ駆動アプローチは、大きな期待値を示しているが、計算の複雑さと転送性の欠如のため、実際に使用するのは困難である。
本稿では,GPUなどの過剰なハードウェア要件を伴わずに,知識駆動方式と同様の高速計算を高速に行うCNNベースのモデルを提案する。
これは9つの異なる染色色にまたがる多彩な組織スライドを包含する。そこで、染色の多様性は、モデルが多様な色スペクトルと組織構造を学ぶのに大いに役立つ。
CNNの複雑さを減らそうとする試みでは、CNNを最小レベルまで縮小しても、競争力の高いパフォーマンスを実現しているのが驚きです。
提案手法は,既存の知識駆動型およびデータ駆動型FQA手法と比較して,高精度かつ高精度なトレードオフを示すものである。
関連論文リスト
- Connecting the Dots: Graph Neural Network Powered Ensemble and
Classification of Medical Images [0.0]
医療画像の深層学習は、大量のトレーニングデータを必要とするため、制限されている。
画像フォレスティング変換を用いて、画像を最適にスーパーピクセルに分割する。
これらのスーパーピクセルはその後、グラフ構造化データに変換され、特徴の巧妙な抽出と関係のモデリングを可能にする。
論文 参考訳(メタデータ) (2023-11-13T13:20:54Z) - Scale-Space Hypernetworks for Efficient Biomedical Imaging [0.0]
内部再スケーリング要因の異なるCNNのスペクトルを学習するSSHN(Scale-Space HyperNetworks)を導入する。
SSHNはトレーニングコストのごく一部で、より優れた精度と効率のトレードオフを提供する。
論文 参考訳(メタデータ) (2023-04-11T18:38:57Z) - Learning Large-scale Neural Fields via Context Pruned Meta-Learning [60.93679437452872]
本稿では,大規模ニューラルネットワーク学習のための最適化に基づくメタラーニング手法を提案する。
メタテスト時間における勾配再スケーリングは、非常に高品質なニューラルネットワークの学習を可能にすることを示す。
我々のフレームワークは、モデルに依存しない、直感的で、実装が容易であり、幅広い信号に対する大幅な再構成改善を示す。
論文 参考訳(メタデータ) (2023-02-01T17:32:16Z) - Multiscale Convolutional Transformer with Center Mask Pretraining for
Hyperspectral Image Classificationtion [14.33259265286265]
本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。
マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
論文 参考訳(メタデータ) (2022-03-09T14:42:26Z) - Stain Normalized Breast Histopathology Image Recognition using
Convolutional Neural Networks for Cancer Detection [9.826027427965354]
近年の進歩により、畳み込みニューラルネットワーク(CNN)アーキテクチャは乳がん検出のためのコンピュータ支援診断(CAD)システムの設計に利用できることが示されている。
乳腺病理像の2値分類のためのCNNモデルについて検討した。
我々は,200倍,400倍に拡大した病理像に対して,トレーニング済みのCNNネットワークを利用可能なBreaKHisデータセットで検証した。
論文 参考訳(メタデータ) (2022-01-04T03:09:40Z) - Many-to-One Distribution Learning and K-Nearest Neighbor Smoothing for
Thoracic Disease Identification [83.6017225363714]
ディープラーニングは、病気の識別性能を改善するための最も強力なコンピュータ支援診断技術となった。
胸部X線撮影では、大規模データの注釈付けには専門的なドメイン知識が必要で、時間を要する。
本論文では、単一モデルにおける疾患同定性能を改善するために、複数対1の分布学習(MODL)とK-nearest neighbor smoothing(KNNS)手法を提案する。
論文 参考訳(メタデータ) (2021-02-26T02:29:30Z) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳(メタデータ) (2020-12-20T23:24:31Z) - Genetic U-Net: Automatically Designed Deep Networks for Retinal Vessel
Segmentation Using a Genetic Algorithm [2.6629444004809826]
遺伝的U-Netは、より優れた網膜血管セグメンテーションを実現することができるが、アーキテクチャに基づくパラメータが少ないU字型畳み込みニューラルネットワーク(CNN)を生成するために提案されている。
実験の結果,提案手法を用いて得られたアーキテクチャは,元のU-Netパラメータの1%以下で優れた性能を示した。
論文 参考訳(メタデータ) (2020-10-29T13:31:36Z) - Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant
Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。
1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。
本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2020-03-17T09:51:30Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳(メタデータ) (2020-03-03T07:27:44Z)
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。