論文の概要: Switching Loss for Generalized Nucleus Detection in Histopathology
- arxiv url: http://arxiv.org/abs/2008.03750v1
- Date: Sun, 9 Aug 2020 15:42:50 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-01 04:44:28.303199
- Title: Switching Loss for Generalized Nucleus Detection in Histopathology
- Title(参考訳): 病理組織における一般核検出のためのスイッチング損失
- Authors: Deepak Anand, Gaurav Patel, Yaman Dang, Amit Sethi
- Abstract要約: 本稿では,前景クラスと背景クラスとの強調を適応的にシフトするスイッチングロス関数を提案する。
ソースデータセットで提案された損失関数を用いてトレーニングされた核検出器は、クロスエントロピー、ディース、焦点損失を使用してトレーニングされたものよりも優れていた。
- 参考スコア(独自算出の注目度): 1.8251485068161968
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The accuracy of deep learning methods for two foundational tasks in medical
image analysis -- detection and segmentation -- can suffer from class
imbalance. We propose a `switching loss' function that adaptively shifts the
emphasis between foreground and background classes. While the existing loss
functions to address this problem were motivated by the classification task,
the switching loss is based on Dice loss, which is better suited for
segmentation and detection. Furthermore, to get the most out the training
samples, we adapt the loss with each mini-batch, unlike previous proposals that
adapt once for the entire training set. A nucleus detector trained using the
proposed loss function on a source dataset outperformed those trained using
cross-entropy, Dice, or focal losses. Remarkably, without retraining on target
datasets, our pre-trained nucleus detector also outperformed existing nucleus
detectors that were trained on at least some of the images from the target
datasets. To establish a broad utility of the proposed loss, we also confirmed
that it led to more accurate ventricle segmentation in MRI as compared to the
other loss functions. Our GPU-enabled pre-trained nucleus detection software is
also ready to process whole slide images right out-of-the-box and is usably
fast.
- Abstract(参考訳): 医用画像解析における2つの基礎的課題に対する深層学習手法の精度 - 検出とセグメンテーション -- は、クラス不均衡に悩まされる可能性がある。
本稿では,前景クラスと背景クラスを適応的にシフトする「スイッチングロス」関数を提案する。
この問題に対処する既存の損失関数は分類タスクによって動機付けられているが、スイッチング損失はDice損失に基づいており、セグメンテーションや検出に適している。
さらに、トレーニングサンプルを最大限に活用するために、トレーニングセット全体に対して一度適応する以前の提案とは異なり、各ミニバッチで損失を適応します。
ソースデータセット上で提案された損失関数を用いて訓練された核検出器は、クロスエントロピー、サイコロ、焦点損失を用いて訓練されたものよりも優れていた。
驚くべきことに、ターゲットデータセットをリトレーニングすることなく、トレーニング済みの核検出器は、ターゲットデータセットの少なくとも一部のイメージでトレーニングされた既存の核検出器よりも優れています。
提案した損失の幅広い有用性を確立するため,MRIにおける他の損失関数と比較してより正確な心室分画が得られたことも確認した。
当社のGPU対応でトレーニング済みの核検出ソフトウェアは、スライド画像全体を最初から処理する準備ができています。
関連論文リスト
- SINDER: Repairing the Singular Defects of DINOv2 [61.98878352956125]
大規模なデータセットでトレーニングされたビジョントランスフォーマーモデルは、抽出したパッチトークンにアーティファクトを表示することが多い。
本稿では,小さなデータセットのみを用いて構造欠陥を補正するスムーズなスムーズな正規化を提案する。
論文 参考訳(メタデータ) (2024-07-23T20:34:23Z) - Robust T-Loss for Medical Image Segmentation [56.524774292536264]
本稿では,医用画像分割のための新しいロバストな損失関数T-Lossを提案する。
提案した損失は、Student-t分布の負のログ類似度に基づいており、データ内の外れ値の処理を効果的に行うことができる。
実験の結果,T-Lossは2つの医療データセットのダイススコアにおいて従来の損失関数よりも優れていた。
論文 参考訳(メタデータ) (2023-06-01T14:49:40Z) - Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。
CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
論文 参考訳(メタデータ) (2023-06-01T12:53:10Z) - An End-to-End Framework For Universal Lesion Detection With Missing
Annotations [24.902835211573628]
そこで本研究では,検出器を同時に訓練しながら,ラベルのない病変をマイニングするための新しいエンドツーエンドフレームワークを提案する。
本研究の枠組みは,高信頼度予測と,学生モデル学習のための部分的にラベル付けされた基礎的真理が組み合わさっている。
論文 参考訳(メタデータ) (2023-03-27T09:16:10Z) - 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) - Self-Supervised-RCNN for Medical Image Segmentation with Limited Data
Annotation [0.16490701092527607]
ラベルなしMRIスキャンによる自己教師付き事前学習に基づく新たなディープラーニング学習戦略を提案する。
我々の事前学習アプローチはまず、ラベルのない画像のランダム領域に異なる歪みをランダムに適用し、次に歪みの種類と情報の損失を予測する。
異なる事前学習シナリオと微調整シナリオにおけるセグメンテーション課題に対する提案手法の有効性を評価する。
論文 参考訳(メタデータ) (2022-07-17T13:28:52Z) - On Training Targets and Activation Functions for Deep Representation
Learning in Text-Dependent Speaker Verification [18.19207291891767]
主な考慮事項は、トレーニングターゲット、アクティベーション関数、損失関数である。
本研究では,話者識別を訓練対象とする場合の損失関数の範囲について検討する。
GELUはSigmoidと比較してTD-SVの誤差率を大幅に低減できることを示した。
論文 参考訳(メタデータ) (2022-01-17T14:32:51Z) - Mixing between the Cross Entropy and the Expectation Loss Terms [89.30385901335323]
クロスエントロピー損失は、トレーニング中にサンプルを分類するのが難しくなる傾向にある。
最適化目標に期待損失を加えることで,ネットワークの精度が向上することを示す。
実験により,新しいトレーニングプロトコルにより,多様な分類領域における性能が向上することが示された。
論文 参考訳(メタデータ) (2021-09-12T23:14:06Z) - A Mixed Focal Loss Function for Handling Class Imbalanced Medical Image
Segmentation [0.7619404259039283]
声帯損失とDice損失関数の修正版から導出した新しい化合物損失関数を提案する。
提案した損失関数は、より優れたリコール精度バランスに関連付けられ、二値画像と多値画像のセグメンテーションにおいて、他の損失関数よりも大幅に優れる。
論文 参考訳(メタデータ) (2021-02-08T20:47:38Z) - Self-Guided Multiple Instance Learning for Weakly Supervised Disease
Classification and Localization in Chest Radiographs [22.473965401043717]
局所化信頼度を高める畳み込みニューラルネットワークのトレーニングのための新しい損失関数を導入する
提案手法で提案する教師は,複数インスタンス学習用データセットの性能向上と,より正確な予測を行う。
論文 参考訳(メタデータ) (2020-09-30T22:19:40Z) - Weakly Supervised Deep Nuclei Segmentation Using Partial Points
Annotation in Histopathology Images [51.893494939675314]
本稿では,部分点アノテーションに基づく弱教師付きセグメンテーションフレームワークを提案する。
本手法は, 完全教師付き手法や最先端手法と比較して, 競争性能を向上できることを示す。
論文 参考訳(メタデータ) (2020-07-10T15:41:29Z)
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。