論文の概要: Self-Path: Self-supervision for Classification of Pathology Images with Limited Annotations

• arxiv url: http://arxiv.org/abs/2008.05571v1
• Date: Wed, 12 Aug 2020 21:02:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-31 05:58:20.378685
• Title: Self-Path: Self-supervision for Classification of Pathology Images with Limited Annotations
• Title（参考訳）: 自己パス: アノテーションを限定した病理画像分類のための自己監督
• Authors: Navid Alemi Koohbanani, Balagopal Unnikrishnan, Syed Ali Khurram, Pavitra Krishnaswamy, Nasir Rajpoot
• Abstract要約: 病理画像における一般化可能な領域不変表現を学習するために,ラベルのないデータを活用する自己教師付きCNN手法を提案する。 病理画像における文脈的・多解像度・意味的特徴を活用する新しい領域固有のセルフスーパービジョンタスクを導入する。
• 参考スコア（独自算出の注目度）: 4.713391888104896
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: While high-resolution pathology images lend themselves well to `data hungry' deep learning algorithms, obtaining exhaustive annotations on these images is a major challenge. In this paper, we propose a self-supervised CNN approach to leverage unlabeled data for learning generalizable and domain invariant representations in pathology images. The proposed approach, which we term as Self-Path, is a multi-task learning approach where the main task is tissue classification and pretext tasks are a variety of self-supervised tasks with labels inherent to the input data. We introduce novel domain specific self-supervision tasks that leverage contextual, multi-resolution and semantic features in pathology images for semi-supervised learning and domain adaptation. We investigate the effectiveness of Self-Path on 3 different pathology datasets. Our results show that Self-Path with the domain-specific pretext tasks achieves state-of-the-art performance for semi-supervised learning when small amounts of labeled data are available. Further, we show that Self-Path improves domain adaptation for classification of histology image patches when there is no labeled data available for the target domain. This approach can potentially be employed for other applications in computational pathology, where annotation budget is often limited or large amount of unlabeled image data is available.
• Abstract（参考訳）: 高解像度の病理画像は「データ空腹」な深層学習アルゴリズムに相応しいが、これらの画像に対する徹底的なアノテーションを得ることは大きな課題である。 本稿では,病理画像における一般化および領域不変表現の学習にラベルなしデータを活用するための自己教師付きcnn手法を提案する。 提案手法は, 組織分類を主課題とするマルチタスク学習手法であり, プレテキストタスクは, 入力データ固有のラベルを持つ多種多様な自己教師型タスクである。 半教師付き学習とドメイン適応のための病理画像における文脈的,多解性,意味的特徴を活用した,新たなドメイン固有の自己スーパービジョンタスクを導入する。 3つの異なる病理データに対するセルフパスの有効性について検討した。 その結果、ドメイン固有のプリテキストタスクとの自己パスは、少量のラベル付きデータがある場合の半教師付き学習における最先端のパフォーマンスを実現する。 さらに,対象領域にラベル付きデータがない場合,自己パスにより組織像パッチの分類にドメイン適応性が向上することを示す。 このアプローチは、アノテーション予算が制限されたり、ラベルなしの画像データが大量に入手できる場合が多い計算病理学の他の応用にも応用できる可能性がある。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Unsupervised domain adaptation by learning using privileged information [6.748420131629902]
  補助変数による側情報への訓練時間アクセスは,入力変数の制約緩和に有効であることを示す。 本稿では,対象領域における予測誤差の分析から着想を得た単純な2段階学習アルゴリズムと,画像分類のための実用的エンドツーエンド変種を提案する。
  論文  参考訳（メタデータ） (2023-03-16T14:31:50Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• Unsupervised Domain Adaption of Object Detectors: A Survey [87.08473838767235]
  近年のディープラーニングの進歩は、様々なコンピュータビジョンアプリケーションのための正確で効率的なモデルの開発につながっている。 高度に正確なモデルを学ぶには、大量の注釈付きイメージを持つデータセットの可用性に依存する。 このため、ラベルスカースデータセットに視覚的に異なる画像がある場合、モデルの性能は大幅に低下する。
  論文  参考訳（メタデータ） (2021-05-27T23:34:06Z)
• Streaming Self-Training via Domain-Agnostic Unlabeled Images [62.57647373581592]
  視覚認識モデル学習の過程を民主化することを目的としたストリーミング自己学習(SST)を提案する。 SSTの鍵となるのは、(1)ドメインに依存しない未ラベル画像により、追加の知識や監督なしにいくつかのラベル付き例でより良いモデルを学ぶことができ、(2)学習は継続的なプロセスであり、学習更新のスケジュールを構築することで行うことができる。
  論文  参考訳（メタデータ） (2021-04-07T17:58:39Z)
• Mutual Information-based Disentangled Neural Networks for Classifying Unseen Categories in Different Domains: Application to Fetal Ultrasound Imaging [10.504733425082335]
  ディープニューラルネットワークは、異なる絡み合ったドメイン特徴とカテゴリ特徴を持つ画像間の限定的な一般化性を示す。 本稿では,MIDNet(Multual Information-based Disentangled Neural Networks)を提案する。 2つの異なる画像分類タスクのための胎児超音波データセットについて,提案手法を広範囲に評価した。
  論文  参考訳（メタデータ） (2020-10-30T17:32:18Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study [6.762603053858596]
  本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。 病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
  論文  参考訳（メタデータ） (2020-05-10T21:27:38Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)
• Learning Cross-domain Generalizable Features by Representation Disentanglement [11.74643883335152]
  ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。 本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。 本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
  論文  参考訳（メタデータ） (2020-02-29T17:53:16Z)

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。