論文の概要: Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics
- arxiv url: http://arxiv.org/abs/2008.09304v1
- Date: Fri, 21 Aug 2020 04:53:44 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-26 21:48:26.150456
- Title: Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics
- Title（参考訳）: 病理画像解析の教師なしドメイン適応のためのグラフニューラルネットワーク
- Authors: Dou Xu, Chang Cai, Chaowei Fang, Bin Kong, Jihua Zhu, Zhongyu Li
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 22.04114134677181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Annotating histopathological images is a time-consuming andlabor-intensive
process, which requires broad-certificated pathologistscarefully examining
large-scale whole-slide images from cells to tissues.Recent frontiers of
transfer learning techniques have been widely investi-gated for image
understanding tasks with limited annotations. However,when applied for the
analytics of histology images, few of them can effec-tively avoid the
performance degradation caused by the domain discrep-ancy between the source
training dataset and the target dataset, suchas different tissues, staining
appearances, and imaging devices. To thisend, we present a novel method for the
unsupervised domain adaptationin histopathological image analysis, based on a
backbone for embeddinginput images into a feature space, and a graph neural
layer for propa-gating the supervision signals of images with labels. The graph
model isset up by connecting every image with its close neighbors in the
embed-ded feature space. Then graph neural network is employed to synthesizenew
feature representation from every image. During the training stage,target
samples with confident inferences are dynamically allocated withpseudo labels.
The cross-entropy loss function is used to constrain thepredictions of source
samples with manually marked labels and targetsamples with pseudo labels.
Furthermore, the maximum mean diversityis adopted to facilitate the extraction
of domain-invariant feature repre-sentations, and contrastive learning is
exploited to enhance the categorydiscrimination of learned features. In
experiments of the unsupervised do-main adaptation for histopathological image
classification, our methodachieves state-of-the-art performance on four public
datasets
- Abstract（参考訳）: 組織病理学的画像の注釈付けは時間を要するプロセスであり、細胞から組織への大規模な全体スライド画像の精査が必要であり、近年の転移学習技術のフロンティアは、限定的なアノテーションによる画像理解タスクのために広く研究されてきた。
しかし, 組織像の分析に応用した場合, ソーストレーニングデータセットとターゲットデータセット, 異なる組織, 染色外観, イメージング装置の領域差による性能低下を効果的に回避できる例はほとんどない。
そこで本研究では,入力画像を特徴空間に埋め込むバックボーンと,ラベル付き画像の監視信号を伝搬するグラフニューラルネットワーク層とに基づいて,病理組織学的画像解析における教師なし領域適応法を提案する。
グラフモデルは、埋め込み機能空間において、すべての画像をその近傍に接続することで設定される。
次に、グラフニューラルネットワークを使用して、各画像から特徴表現を合成する。
トレーニング段階では、自信のある推論を持つターゲットサンプルが、pseudoラベルで動的に割り当てられる。
クロスエントロピー損失関数は、ソースサンプルの予測を、手動でマークされたラベルと擬似ラベルのターゲットアンプで制限するために使用される。
さらに、ドメイン不変特徴の再現性抽出を容易にするために、最大平均ダイバーシティが採用され、コントラスト学習を用いて学習特徴のカテゴリー識別が向上する。
病理組織学的画像分類のための教師なしdo-main適応実験において,4つの公開データセットにおける最先端性能について検討した。
関連論文リスト
- UnSegGNet: Unsupervised Image Segmentation using Graph Neural Networks [9.268228808049951]
この研究は、教師なし医療画像とコンピュータビジョンの幅広い分野に貢献する。
これは、現実世界の課題に沿うイメージセグメンテーションのための革新的な方法論である。
提案手法は,医用画像,リモートセンシング,物体認識など,多様な応用の可能性を秘めている。
論文 参考訳（メタデータ） (2024-05-09T19:02:00Z) - Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。
対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。
提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文 参考訳（メタデータ） (2024-03-23T22:32:06Z) - Nucleus-aware Self-supervised Pretraining Using Unpaired Image-to-image
Translation for Histopathology Images [3.8391355786589805]
病理組織像のための新しい核認識型自己教師型プレトレーニングフレームワークを提案する。
このフレームワークは、未ペア画像から画像への変換によって核形態や分布情報を捉えることを目的としている。
7つのデータセットに対する実験により,提案手法は,Kather分類,複数インスタンス学習,および5つの高密度予測タスクにおいて,教師付き手法よりも優れていた。
論文 参考訳（メタデータ） (2023-09-14T02:31:18Z) - Graph Self-Supervised Learning for Endoscopic Image Matching [1.8275108630751844]
鍵点間の空間関係をモデル化するために,局所的な視覚的外観を捉える畳み込みニューラルネットワークと注目に基づくグラフニューラルネットワークを組み合わせた,新たな自己教師型アプローチを提案する。
我々のアプローチはラベル付きデータを必要とせず、完全に自己管理されたスキームで訓練されている。
提案手法は,最先端の手工法と深層学習法より優れ,精度(1)とマッチングスコア(99.3%)で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-19T19:53:41Z) - Adaptive Face Recognition Using Adversarial Information Network [57.29464116557734]
顔認識モデルは、トレーニングデータがテストデータと異なる場合、しばしば退化する。
本稿では,新たな敵情報ネットワーク(AIN)を提案する。
論文 参考訳（メタデータ） (2023-05-23T02:14:11Z) - Human-machine Interactive Tissue Prototype Learning for Label-efficient
Histopathology Image Segmentation [18.755759024796216]
ディープ・ニューラル・ネットワークは、画像セグメンテーションを大幅に進歩させたが、通常は豊富なデータを必要とする。
本稿では,ラベル効率のよい組織原型辞書構築パイプラインを提案し,得られた原型を用いて病理組織像のセグメンテーションを導くことを提案する。
人間の機械的対話型組織プロトタイプ学習法は,完全教師付きベースラインと同等のセグメンテーション性能が得られることを示す。
論文 参考訳（メタデータ） (2022-11-26T06:17:21Z) - Learning Hierarchical Graph Representation for Image Manipulation
Detection [50.04902159383709]
画像操作検出の目的は、画像内の操作された領域を特定し、特定することである。
最近のアプローチでは、画像に残っている改ざんするアーティファクトをキャプチャするために、洗練された畳み込みニューラルネットワーク(CNN)が採用されている。
本稿では2つの並列分岐からなる階層型グラフ畳み込みネットワーク(HGCN-Net)を提案する。
論文 参考訳（メタデータ） (2022-01-15T01:54:25Z) - Few-shot Medical Image Segmentation using a Global Correlation Network
with Discriminative Embedding [60.89561661441736]
医療画像分割のための新しい手法を提案する。
深層畳み込みネットワークを用いた数ショット画像セグメンタを構築します。
深層埋め込みの識別性を高め,同一クラスの特徴領域のクラスタリングを促進する。
論文 参考訳（メタデータ） (2020-12-10T04:01:07Z) - Self-Path: Self-supervision for Classification of Pathology Images with
Limited Annotations [4.713391888104896]
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。
論文 参考訳（メタデータ） (2020-08-12T21:02:32Z) - 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) - 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)
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。