論文の概要: Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples
- arxiv url: http://arxiv.org/abs/2010.10050v1
- Date: Tue, 20 Oct 2020 06:06:06 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-05 07:23:03.877341
- Title: Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples
- Title(参考訳): 生物画像分類のための深部低ショット学習と限られたトレーニングサンプルからの可視化
- Authors: Lei Cai and Zhengyang Wang and Rob Kulathinal and Sudhir Kumar and
Shuiwang Ji
- Abstract要約: In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習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): 52.549928980694695
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Predictive modeling is useful but very challenging in biological image
analysis due to the high cost of obtaining and labeling training data. For
example, in the study of gene interaction and regulation in Drosophila
embryogenesis, the analysis is most biologically meaningful when in situ
hybridization (ISH) gene expression pattern images from the same developmental
stage are compared. However, labeling training data with precise stages is very
time-consuming even for evelopmental biologists. Thus, a critical challenge is
how to build accurate computational models for precise developmental stage
classification from limited training samples. In addition, identification and
visualization of developmental landmarks are required to enable biologists to
interpret prediction results and calibrate models. To address these challenges,
we propose a deep two-step low-shot learning framework to accurately classify
ISH images using limited training images. Specifically, to enable accurate
model training on limited training samples, we formulate the task as a deep
low-shot learning problem and develop a novel two-step learning approach,
including data-level learning and feature-level learning. We use a deep
residual network as our base model and achieve improved performance in the
precise stage prediction task of ISH images. Furthermore, the deep model can be
interpreted by computing saliency maps, which consist of pixel-wise
contributions of an image to its prediction result. In our task, saliency maps
are used to assist the identification and visualization of developmental
landmarks. Our experimental results show that the proposed model can not only
make accurate predictions, but also yield biologically meaningful
interpretations. We anticipate our methods to be easily generalizable to other
biological image classification tasks with small training datasets.
- Abstract(参考訳): 予測モデリングは有用であるが、トレーニングデータの取得とラベル付けのコストが高いため、生物画像解析において非常に困難である。
例えば、ショウジョウバエ胚発生における遺伝子相互作用と調節の研究において、同じ発生段階からのISH(in situ hybridization)遺伝子の発現パターン画像を比較すると、最も生物学的に有意である。
しかし、正確な段階のトレーニングデータをラベル付けすることは、大げさな生物学者でさえ非常に時間がかかる。
したがって、限られたトレーニングサンプルから正確な発達段階分類のための正確な計算モデルを構築する方法が重要な課題である。
さらに、予測結果の解釈とモデルの校正を可能にするために、発達期ランドマークの識別と可視化が必要である。
これらの課題に対処するために、限られた訓練画像を用いてISH画像を正確に分類する深層2段階のローショット学習フレームワークを提案する。
具体的には,限られたトレーニングサンプルで正確なモデルトレーニングを実現するために,タスクを深い低ショット学習問題として定式化し,データレベル学習と特徴レベル学習を含む新しい2段階学習手法を開発した。
我々は,基盤モデルとして深い残差ネットワークを用い,ish画像の正確なステージ予測タスクにおける性能向上を実現する。
さらに、深層モデルは、画像の画素単位でその予測結果に寄与するサリエンシーマップを計算することで解釈することができる。
本課題では,開発ランドマークの識別と可視化を支援するために,サリエンシマップを用いた。
実験の結果,提案モデルは正確な予測を行うだけでなく,生物学的に有意義な解釈も得ることが示された。
我々は,小さなトレーニングデータセットを用いて,他の生物学的画像分類タスクに容易に一般化できることを期待する。
関連論文リスト
- Scaling Laws of Synthetic Images for Model Training ... for Now [54.43596959598466]
本研究では, 合成画像のスケーリング法則について, テクスト・ツー・イメージ・モデルの現状から検討した。
合成画像は、CLIPトレーニングの実際の画像と似ているが、やや効果の低いスケーリング傾向を示す。
論文 参考訳(メタデータ) (2023-12-07T18:59:59Z) - 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) - Rapid Training Data Creation by Synthesizing Medical Images for
Classification and Localization [10.506584969668792]
本稿では,この問題を解決するために,任意のディープニューラルネットワークをトレーニングするための実データ変換手法を提案する。
弱教師付きモデルでは,生成したデータを用いて局所化精度が著しく向上することを示す。
後者のモデルでは、生成した画像でトレーニングされた精度は、完全に注釈付けされた実画像でトレーニングされた精度と密接に一致している。
論文 参考訳(メタデータ) (2023-08-09T03:49:12Z) - Optimizations of Autoencoders for Analysis and Classification of
Microscopic In Situ Hybridization Images [68.8204255655161]
同様のレベルの遺伝子発現を持つ顕微鏡画像の領域を検出・分類するためのディープラーニングフレームワークを提案する。
分析するデータには教師なし学習モデルが必要です。
論文 参考訳(メタデータ) (2023-04-19T13:45:28Z) - Realistic Data Enrichment for Robust Image Segmentation in
Histopathology [2.248423960136122]
拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。
本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
論文 参考訳(メタデータ) (2023-04-19T09:52:50Z) - Vision-Language Modelling For Radiological Imaging and Reports In The
Low Data Regime [70.04389979779195]
本稿では,視覚および言語入力を共通空間に埋め込んだ医用視覚言語モデル(VLM)について検討する。
本稿では,新しい画像領域やテキスト領域への汎用事前学習モデルの適用など,低データ性能向上のためのいくつかの候補手法について検討する。
テキスト・ツー・イメージ検索をベンチマークとして,2つの胸部X線および放射線学的報告を用いた可変サイズのトレーニングデータセットを用いて,これらの手法の性能評価を行った。
論文 参考訳(メタデータ) (2023-03-30T18:20:00Z) - Learning Representations with Contrastive Self-Supervised Learning for
Histopathology Applications [8.69535649683089]
コントラスト型自己教師型学習は,デジタル病理学におけるアノテーションの労力を減らしうることを示す。
本研究は,病理組織学応用のための自己教師あり学習の可能性を実現するための道を開くものである。
論文 参考訳(メタデータ) (2021-12-10T16:08:57Z) - Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。
非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。
本手法は腺および核データセット上で評価される。
論文 参考訳(メタデータ) (2020-12-17T02:54:19Z) - Towards an Automatic Analysis of CHO-K1 Suspension Growth in
Microfluidic Single-cell Cultivation [63.94623495501023]
我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。
具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
論文 参考訳(メタデータ) (2020-10-20T08:36:51Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳(メタデータ) (2020-09-02T02:50:30Z)
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。