論文の概要: Self-similarity Student for Partial Label Histopathology Image Segmentation

• arxiv url: http://arxiv.org/abs/2007.09610v1
• Date: Sun, 19 Jul 2020 07:34:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-09 00:05:55.906734
• Title: Self-similarity Student for Partial Label Histopathology Image Segmentation
• Title（参考訳）: 部分的ラベル病理像分割のための自己相似学習者
• Authors: Hsien-Tzu Cheng, Chun-Fu Yeh, Po-Chen Kuo, Andy Wei, Keng-Chi Liu, Mong-Chi Ko, Kuan-Hua Chao, Yu-Ching Peng, and Tyng-Luh Liu
• Abstract要約: ギガピクセル全スライド画像(WSI)における癌領域の描写は,デジタル病理学において重要な診断方法である。 教師-学生モデルパラダイムと類似性学習を組み合わせた自己相似性学生を提案する。 提案手法は,最先端のノイズ認識学習手法を5$%,教師付きベースラインを10$%,様々なノイズの度合いで大幅に向上させる。
• 参考スコア（独自算出の注目度）: 14.20551462622277
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Delineation of cancerous regions in gigapixel whole slide images (WSIs) is a crucial diagnostic procedure in digital pathology. This process is time-consuming because of the large search space in the gigapixel WSIs, causing chances of omission and misinterpretation at indistinct tumor lesions. To tackle this, the development of an automated cancerous region segmentation method is imperative. We frame this issue as a modeling problem with partial label WSIs, where some cancerous regions may be misclassified as benign and vice versa, producing patches with noisy labels. To learn from these patches, we propose Self-similarity Student, combining teacher-student model paradigm with similarity learning. Specifically, for each patch, we first sample its similar and dissimilar patches according to spatial distance. A teacher-student model is then introduced, featuring the exponential moving average on both student model weights and teacher predictions ensemble. While our student model takes patches, teacher model takes all their corresponding similar and dissimilar patches for learning robust representation against noisy label patches. Following this similarity learning, our similarity ensemble merges similar patches' ensembled predictions as the pseudo-label of a given patch to counteract its noisy label. On the CAMELYON16 dataset, our method substantially outperforms state-of-the-art noise-aware learning methods by 5$\%$ and the supervised-trained baseline by 10$\%$ in various degrees of noise. Moreover, our method is superior to the baseline on our TVGH TURP dataset with 2$\%$ improvement, demonstrating the generalizability to more clinical histopathology segmentation tasks.
• Abstract（参考訳）: ギガピクセル全スライド画像(WSI)における癌領域の描写は,デジタル病理学において重要な診断方法である。 このプロセスは、ギガピクセルWSIの広い探索空間のために時間がかかり、不明瞭な腫瘍病変における欠落や誤解釈の可能性が生じる。 これを解決するために,自動癌領域分割法の開発が不可欠である。 この問題は部分ラベルWSIによるモデリング問題であり、一部の癌領域を良性と誤分類し、その逆でノイズのあるラベルを持つパッチを生成することができる。 そこで本研究では,教師・生徒のモデルパラダイムと類似性学習を組み合わせた自己相似性学生を提案する。 具体的には、各パッチについて、まず空間距離に応じて類似した異種パッチをサンプリングする。 次に教師学生モデルを導入し、学生モデルの重みと教師予測のアンサンブルの指数的な移動平均を特徴付ける。 学生モデルは、パッチを取る一方で、教師モデルは、ノイズの多いラベルパッチに対する堅牢な表現を学ぶために、対応する類似および異種パッチをすべて取ります。 この類似性学習に続いて、類似性アンサンブルは、所定のパッチの擬似ラベルとして類似パッチのアンサンブル予測をマージし、ノイズラベルを反動させる。 CAMELYON16データセットにおいて,本手法は最先端のノイズ認識学習手法を5$\%$,教師付きベースラインを10$\%$,様々なノイズの度合いで大幅に向上させる。 さらに,本手法はTVGH TURPデータセットのベースラインに2$\%の改善を加え,より臨床的な病理組織学的セグメンテーションタスクへの一般化可能性を示した。

関連論文リスト

• Efficient Classification of Histopathology Images [5.749787074942512]
  腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。 これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。
  論文  参考訳（メタデータ） (2024-09-08T17:41:04Z)
• PMT: Progressive Mean Teacher via Exploring Temporal Consistency for Semi-Supervised Medical Image Segmentation [51.509573838103854]
  医用画像セグメンテーションのための半教師付き学習フレームワークであるプログレッシブ平均教師(PMT)を提案する。 我々のPMTは、トレーニングプロセスにおいて、堅牢で多様な特徴を学習することで、高忠実な擬似ラベルを生成する。 CT と MRI の異なる2つのデータセットに対する実験結果から,本手法が最先端の医用画像分割法より優れていることが示された。
  論文  参考訳（メタデータ） (2024-09-08T15:02:25Z)
• Learning from Partial Label Proportions for Whole Slide Image Segmentation [10.360348400670519]
  不完全なラベルの比率を利用して,全スライド画像(WSI)における腫瘍サブタイプのセグメンテーションに対処する。 本稿では2つの弱教師付き学習サブプロブレムに分解することで,この問題に対する効率的なアルゴリズムを提案する。 提案アルゴリズムの有効性は,2つのWSIデータセットを用いた実験によって実証される。
  論文  参考訳（メタデータ） (2024-05-15T02:29:16Z)
• Learning to Rank Patches for Unbiased Image Redundancy Reduction [80.93989115541966]
  画像は、隣接する領域の画素が空間的に相関しているため、空間的冗長性に悩まされる。 既存のアプローチでは、意味の少ない画像領域を減らし、この制限を克服しようとしている。 本稿では,Learning to Rank Patchesと呼ばれる画像冗長性低減のための自己教師型フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-31T13:12:41Z)
• Hierarchical Transformer for Survival Prediction Using Multimodality Whole Slide Images and Genomics [63.76637479503006]
  下流タスクのためのギガピクセルレベルのスライド病理画像(WSI)の良質な表現を学習することが重要である。 本稿では,病理画像と対応する遺伝子間の階層的マッピングを学習する階層型マルチモーダルトランスフォーマーフレームワークを提案する。 より優れたWSI表現能力を維持しながら、ベンチマーク手法と比較してGPUリソースが少ないアーキテクチャです。
  論文  参考訳（メタデータ） (2022-11-29T23:47:56Z)
• PCA: Semi-supervised Segmentation with Patch Confidence Adversarial Training [52.895952593202054]
  医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。 PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。 本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
  論文  参考訳（メタデータ） (2022-07-24T07:45:47Z)
• A graph-transformer for whole slide image classification [11.968797693846476]
  本稿では,グラフベースのグラフベース画像表現を融合したグラフ変換器(GT)と,GTPと呼ばれる病因画像処理のための視覚変換器を提案する。 本研究は,WSIレベルの分類において,GTPを解釈可能かつ効果的なディープラーニングフレームワークとして示すものである。
  論文  参考訳（メタデータ） (2022-05-19T16:32:10Z)
• An End-to-End Breast Tumour Classification Model Using Context-Based Patch Modelling- A BiLSTM Approach for Image Classification [19.594639581421422]
  我々は, この関係を, 特定の腫瘍領域から抽出したパッチ間の特徴に基づく相関関係と統合しようと試みている。 我々は、顕微鏡画像とWSI腫瘍領域の2つのデータセットでモデルをトレーニングし、テストした。 CNN機能付きBiLSTMは、パッチをエンドツーエンドの画像分類ネットワークにモデル化する上で、はるかに優れた性能を示した。
  論文  参考訳（メタデータ） (2021-06-05T10:43:58Z)
• Rethinking Generative Zero-Shot Learning: An Ensemble Learning Perspective for Recognising Visual Patches [52.67723703088284]
  我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。 MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。 MPGANは最先端の手法よりもはるかに精度が高い。
  論文  参考訳（メタデータ） (2020-07-27T05:49:44Z)
• Weakly-Supervised Segmentation for Disease Localization in Chest X-Ray Images [0.0]
  医用胸部X線画像のセマンティックセグメンテーションに対する新しいアプローチを提案する。 本手法は肺と胸壁の間の異常な空気量を検出するための胸部X線検査に適用可能である。
  論文  参考訳（メタデータ） (2020-07-01T20:48:35Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。