論文の概要: Renal Cell Carcinoma Detection and Subtyping with Minimal Point-Based
Annotation in Whole-Slide Images
- arxiv url: http://arxiv.org/abs/2008.05332v1
- Date: Wed, 12 Aug 2020 14:12:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-31 05:12:51.760183
- Title: Renal Cell Carcinoma Detection and Subtyping with Minimal Point-Based
Annotation in Whole-Slide Images
- Title（参考訳）: 全スライディング画像における小点アノテーションによる腎細胞癌の検出とサブタイピング
- Authors: Zeyu Gao, Pargorn Puttapirat, Jiangbo Shi, Chen Li
- Abstract要約: 全スライド画像からラベルのないデータを取得するのは、ずっと簡単かつ安価です。
半教師付き学習(SSL)は、ラベルのないデータを利用する効果的な方法である。
癌領域を正確に検出するためにSSL方式を用いるフレームワークを提案する。
- 参考スコア（独自算出の注目度）: 3.488702792183152
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Obtaining a large amount of labeled data in medical imaging is laborious and
time-consuming, especially for histopathology. However, it is much easier and
cheaper to get unlabeled data from whole-slide images (WSIs). Semi-supervised
learning (SSL) is an effective way to utilize unlabeled data and alleviate the
need for labeled data. For this reason, we proposed a framework that employs an
SSL method to accurately detect cancerous regions with a novel annotation
method called Minimal Point-Based annotation, and then utilize the predicted
results with an innovative hybrid loss to train a classification model for
subtyping. The annotator only needs to mark a few points and label them are
cancer or not in each WSI. Experiments on three significant subtypes of renal
cell carcinoma (RCC) proved that the performance of the classifier trained with
the Min-Point annotated dataset is comparable to a classifier trained with the
segmentation annotated dataset for cancer region detection. And the subtyping
model outperforms a model trained with only diagnostic labels by 12% in terms
of f1-score for testing WSIs.
- Abstract（参考訳）: 医療画像における大量のラベル付きデータを得ることは、特に病理学において、手間と時間を要する。
しかし、全スライド画像(WSI)からラベル付きデータを入手するのはずっと簡単かつ安価である。
半教師付き学習(SSL)は、ラベル付きデータの利用とラベル付きデータの必要性を軽減する効果的な方法である。
そこで我々はSSL法を用いて,最小点アノテーションと呼ばれる新しいアノテーション手法を用いて癌領域を正確に検出し,その予測結果を革新的なハイブリッド損失で活用し,サブタイピングのための分類モデルを訓練するフレームワークを提案する。
アノテーションは、いくつかのポイントをマークして、それぞれのwsiに癌とラベル付けするだけでよい。
腎細胞癌(rcc)の3つの重要な亜型についての実験により、min-point annotated datasetで訓練された分類器の性能は、癌領域検出のための segmentation annotated dataset で訓練された分類器と同等であることが証明された。
そして、サブタイピングモデルは、診断ラベルのみをトレーニングしたモデルよりも、wsisをテストするためのf1-scoreの点で12%多い。
関連論文リスト
- Semi-Supervised Sparse Gaussian Classification: Provable Benefits of Unlabeled Data [6.812609988733991]
高次元ガウス分類のためのSSLについて検討する。
正確な特徴選択のための情報理論の下限を解析する。
理論的解析を補完するシミュレーションを提案する。
論文 参考訳（メタデータ） (2024-09-05T08:21:05Z) - Unlearnable Examples Detection via Iterative Filtering [84.59070204221366]
ディープニューラルネットワークは、データ中毒攻撃に弱いことが証明されている。
混合データセットから有毒なサンプルを検出することは極めて有益であり、困難である。
UE識別のための反復フィルタリング手法を提案する。
論文 参考訳（メタデータ） (2024-08-15T13:26:13Z) - CLASS-M: Adaptive stain separation-based contrastive learning with pseudo-labeling for histopathological image classification [1.9574002186090493]
広範にラベル付けされたデータセットを必要としない半教師付きパッチレベルの組織像分類モデルであるCLASS-Mを提案する。
2つの明確な細胞腎細胞癌データセットの他の最先端モデルと比較した。
論文 参考訳（メタデータ） (2023-12-12T04:38:30Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。
従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。
本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-08T16:12:36Z) - A semi-supervised Teacher-Student framework for surgical tool detection
and localization [2.41710192205034]
外科的ツール検出のパラダイムにおいて,半教師付き学習(SSL)フレームワークを導入する。
提案手法では,教師-学生共同学習を初期化するラベル付きデータを用いたモデルを訓練する。
m2cai16-tool-locations データセットの結果は、異なる教師付きデータ設定に対するアプローチの優位性を示している。
論文 参考訳（メタデータ） (2022-08-21T17:21:31Z) - 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) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Semi-Automatic Data Annotation guided by Feature Space Projection [117.9296191012968]
本稿では,適切な特徴空間投影と半教師付きラベル推定に基づく半自動データアノテーション手法を提案する。
MNISTデータセットとヒト腸内寄生虫の胎児不純物の有無による画像を用いて本手法の有効性を検証した。
この結果から,人間と機械の相補的能力を組み合わせた視覚分析ツールの付加価値が,より効果的な機械学習に有効であることが示唆された。
論文 参考訳（メタデータ） (2020-07-27T17:03:50Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z)
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。