論文の概要: Learn like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification

• arxiv url: http://arxiv.org/abs/2009.13698v1
• Date: Tue, 29 Sep 2020 00:25:21 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-13 06:28:14.590024
• Title: Learn like a Pathologist: Curriculum Learning by Annotator Agreement for Histopathology Image Classification
• Title（参考訳）: 病理医としての学び--病理画像分類のためのアノテーション契約によるカリキュラム学習
• Authors: Jerry Wei, Arief Suriawinata, Bing Ren, Xiaoying Liu, Mikhail Lisovsky, Louis Vaickus, Charles Brown, Michael Baker, Mustafa Nasir-Moin, Naofumi Tomita, Lorenzo Torresani, Jason Wei and Saeed Hassanpour
• Abstract要約: 本稿では,アノテータ合意に基づき,段階的にハードなイメージを学習するカリキュラム学習手法を提案する。 大腸ポリープ分類の課題と臨床的に重要な課題について,本仮説を検証した。
• 参考スコア（独自算出の注目度）: 29.49041112835749
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Applying curriculum learning requires both a range of difficulty in data and a method for determining the difficulty of examples. In many tasks, however, satisfying these requirements can be a formidable challenge. In this paper, we contend that histopathology image classification is a compelling use case for curriculum learning. Based on the nature of histopathology images, a range of difficulty inherently exists among examples, and, since medical datasets are often labeled by multiple annotators, annotator agreement can be used as a natural proxy for the difficulty of a given example. Hence, we propose a simple curriculum learning method that trains on progressively-harder images as determined by annotator agreement. We evaluate our hypothesis on the challenging and clinically-important task of colorectal polyp classification. Whereas vanilla training achieves an AUC of 83.7% for this task, a model trained with our proposed curriculum learning approach achieves an AUC of 88.2%, an improvement of 4.5%. Our work aims to inspire researchers to think more creatively and rigorously when choosing contexts for applying curriculum learning.
• Abstract（参考訳）: カリキュラム学習を適用するには、データの難易度とサンプルの難易度を決定する方法の両方が必要である。 しかし、多くのタスクにおいて、これらの要件を満たすことは恐ろしい課題です。 本稿では,病理組織像の分類がカリキュラム学習にとって魅力的なユースケースであることを示す。 病理像の性質から, 医学的データセットに複数のアノテータがラベル付けされることが多いため, 特定の例の難易度に対する自然な代名詞としてアノテータ契約を用いることができる。 そこで,アノテータの合意により,よりハードな画像を訓練する簡単なカリキュラム学習手法を提案する。 本仮説は大腸ポリープ分類の困難かつ臨床的に重要な課題である。 バニラ学習が83.7%のAUCを達成するのに対し、提案したカリキュラム学習アプローチでトレーニングしたモデルは88.2%のAUCを達成し、改善率は4.5%となった。 私たちの研究は、カリキュラムの学習に適用するためのコンテキストを選択する際に、より創造的で厳密な思考を促すことを目的としています。

関連論文リスト

• Preview-based Category Contrastive Learning for Knowledge Distillation [53.551002781828146]
  知識蒸留(PCKD)のための新しい予見型カテゴリーコントラスト学習法を提案する。 まず、インスタンスレベルの特徴対応と、インスタンスの特徴とカテゴリ中心の関係の両方の構造的知識を蒸留する。 カテゴリ表現を明示的に最適化し、インスタンスとカテゴリの表現を明確に関連付けることができる。
  論文  参考訳（メタデータ） (2024-10-18T03:31:00Z)
• Human not in the loop: objective sample difficulty measures for Curriculum Learning [5.203119819023793]
  本稿では、勾配の分散(VoG)を用いて、サンプルの客観的な難易度を算出した新しいカリキュラム学習手法を提案する。 具体的には,VoGを指標として,分類の難易度の観点から各サンプルのランク付けを行い,高いVoGスコアは分類の難易度を示す。 以上の結果より, 2段階骨骨折分類と多段階骨骨折分類では同等, 高い成績を示した。
  論文  参考訳（メタデータ） (2023-02-02T17:25:29Z)
• When Do Curricula Work in Federated Learning? [56.88941905240137]
  カリキュラム学習は非IID性を大幅に軽減する。 クライアント間でデータ配布を多様化すればするほど、学習の恩恵を受けるようになる。 本稿では,クライアントの現実的格差を生かした新しいクライアント選択手法を提案する。
  論文  参考訳（メタデータ） (2022-12-24T11:02:35Z)
• Robust Medical Image Classification from Noisy Labeled Data with Global and Local Representation Guided Co-training [73.60883490436956]
  本稿では,ロバストな医用画像分類のためのグローバルおよびローカルな表現学習を用いた新しい協調学習パラダイムを提案する。 ノイズラベルフィルタを用いた自己アンサンブルモデルを用いて、クリーンでノイズの多いサンプルを効率的に選択する。 また,ネットワークを暗黙的に正規化してノイズの多いサンプルを利用するための,グローバルかつ局所的な表現学習手法を設計する。
  論文  参考訳（メタデータ） (2022-05-10T07:50:08Z)
• Curriculum Meta-Learning for Few-shot Classification [1.5039745292757671]
  本稿では,最新のメタ学習技術に適用可能なカリキュラム学習フレームワークの適応性を提案する。 数発の画像分類タスクにおけるMAMLアルゴリズムによる実験は,カリキュラムの学習フレームワークにおいて有意な効果を示した。
  論文  参考訳（メタデータ） (2021-12-06T10:29:23Z)
• Few-Shot Learning with Part Discovery and Augmentation from Unlabeled Images [79.34600869202373]
  帰納的バイアスは、ラベルなし画像の平坦な集合から学習でき、目に見えるクラスと目に見えないクラスの間で伝達可能な表現としてインスタンス化されることを示す。 具体的には、トランスファー可能な表現を学習するための、新しいパートベース自己教師型表現学習手法を提案する。 我々の手法は印象的な結果をもたらし、それまでの最高の教師なし手法を7.74%、9.24%上回った。
  論文  参考訳（メタデータ） (2021-05-25T12:22:11Z)
• Curriculum Learning: A Survey [65.31516318260759]
  カリキュラム学習戦略は、機械学習のあらゆる分野で成功している。 我々は,様々な分類基準を考慮して,カリキュラム学習アプローチの分類を手作業で構築する。 集約型クラスタリングアルゴリズムを用いて,カリキュラム学習手法の階層木を構築する。
  論文  参考訳（メタデータ） (2021-01-25T20:08:32Z)
• Curriculum Learning with Diversity for Supervised Computer Vision Tasks [1.5229257192293197]
  本稿では,学習データの多様性と入力の難しさを考慮に入れた,新たなカリキュラムサンプリング戦略を提案する。 我々は、我々の戦略が不均衡なデータセットに対して非常に効率的であることを証明し、より高速な収束とより正確な結果をもたらす。
  論文  参考訳（メタデータ） (2020-09-22T15:32:49Z)
• 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)
• Medical-based Deep Curriculum Learning for Improved Fracture Classification [36.54112505898611]
  我々は,X線画像から大腿骨近位部骨折の分類を支援するために,カリキュラム学習に依存するいくつかの戦略を提案し,比較する。 我々の戦略は、複数の専門家の注釈における医学的決定木や矛盾といった知識から導かれる。 以上の結果から,一様戦略とランダム戦略と比較して,医療知識に基づくカリキュラムの精度は最大15%向上した。
  論文  参考訳（メタデータ） (2020-04-01T14:56:43Z)

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。