論文の概要: Learning to be EXACT, Cell Detection for Asthma on Partially Annotated Whole Slide Images

• arxiv url: http://arxiv.org/abs/2101.04943v1
• Date: Wed, 13 Jan 2021 09:11:38 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-03 18:02:35.779509
• Title: Learning to be EXACT, Cell Detection for Asthma on Partially Annotated Whole Slide Images
• Title（参考訳）: 一部注釈付き全スライド画像を用いた気管支喘息の正確な細胞検出法
• Authors: Christian Marzahl, Christof A. Bertram, Frauke Wilm, J\"orn Voigt, Ann K. Barton, Robert Klopfleisch, Katharina Breininger, Andreas Maier, Marc Aubreville
• Abstract要約: 喘息は下気道の慢性炎症性疾患であり、自然にヒトや馬を含む動物に発生する。 我々は,部分的にアノテートされたwsisを用いてディープラーニングに基づく物体検出モデルを訓練し,クラス不均衡を補償するトレーニングパイプラインを開発した。 wsiベースのトレーニングアプローチは、従来のサブイメージベースのトレーニング手法を最大15%のmap$で上回り、訓練された10人の病理医のアノテーションと比較して、人間的なパフォーマンスを得ました。
• 参考スコア（独自算出の注目度）: 4.9024504668336375
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Asthma is a chronic inflammatory disorder of the lower respiratory tract and naturally occurs in humans and animals including horses. The annotation of an asthma microscopy whole slide image (WSI) is an extremely labour-intensive task due to the hundreds of thousands of cells per WSI. To overcome the limitation of annotating WSI incompletely, we developed a training pipeline which can train a deep learning-based object detection model with partially annotated WSIs and compensate class imbalances on the fly. With this approach we can freely sample from annotated WSIs areas and are not restricted to fully annotated extracted sub-images of the WSI as with classical approaches. We evaluated our pipeline in a cross-validation setup with a fixed training set using a dataset of six equine WSIs of which four are partially annotated and used for training, and two fully annotated WSI are used for validation and testing. Our WSI-based training approach outperformed classical sub-image-based training methods by up to 15\% $mAP$ and yielded human-like performance when compared to the annotations of ten trained pathologists.
• Abstract（参考訳）: 喘息は下気道の慢性炎症性疾患であり、自然にヒトや馬を含む動物に発生する。 喘息顕微鏡全スライド画像(WSI)のアノテーションは、WSI当たり数十万の細胞のために非常に労働集約的な作業である。 非完全なWSIアノテーションの制限を克服するため,WSIを部分的にアノテートした深層学習に基づくオブジェクト検出モデルを訓練し,クラス不均衡を補う訓練パイプラインを開発した。 このアプローチでは、アノテーション付きの WSI 領域から自由にサンプルをサンプリングすることができ、古典的なアプローチと同様に、WSI の完全アノテーション付きサブイメージに制限されない。 我々は,6馬wsisのデータセットを部分的にアノテーションし,トレーニングに使用し,検証とテストに完全にアノテーションされたwsiを2つ使用する固定トレーニングセットを用いて,パイプラインをクロスバリデーション設定で評価した。 我々のWSIベースのトレーニングアプローチは、従来のサブイメージベースのトレーニング手法を最大15 %$mAP$で上回り、訓練された10人の病理医のアノテーションと比較して人間のようなパフォーマンスを得た。

関連論文リスト

• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• A self-supervised framework for learning whole slide representations [52.774822784847565]
  我々は、全スライド画像のギガピクセルスケールの自己スーパービジョンのためのSlide Pre-trained Transformer (SPT)を提案する。 バイオメディカル・マイクロスコープ・データセットを用いて,5つの診断課題におけるSPT視覚表現のベンチマークを行った。
  論文  参考訳（メタデータ） (2024-02-09T05:05:28Z)
• Slot-Mixup with Subsampling: A Simple Regularization for WSI Classification [13.286360560353936]
  全スライド画像 (WSI) の分類は, がんの診断に関係のある症例は少ないが, 病理医には繰り返しズームイン, アウトが必要である。 パッチレベルのラベルがないため、多重インスタンス学習(MIL)はWSI分類器をトレーニングするための一般的なプラクティスである。 MIL for WSIsの課題の1つは、スライドレベルのラベルから来る弱い監督力であり、しばしば過度なオーバーフィッティングをもたらすことである。 我々のアプローチは、元のスライドの基盤となるセマンティクスを著しく変更することなく、WSIのパッチのサブセットをサンプリングすることで、トレーニングデータセットを強化します。
  論文  参考訳（メタデータ） (2023-11-29T09:18:39Z)
• BROW: Better featuRes fOr Whole slide image based on self-distillation [19.295596638166536]
  各種疾患の標準診断において,WSI処理が重要な要素となっている。 ほとんどのWSI関連タスクのパフォーマンスは、WSIパッチの特徴表現を抽出するバックボーンの有効性に依存します。 我々は、WSIのより良い特徴表現を抽出するための基礎モデルBROWを提案し、微調整を伴わずに下流タスクに便利に適用できることを示した。
  論文  参考訳（メタデータ） (2023-09-15T09:11:09Z)
• Giga-SSL: Self-Supervised Learning for Gigapixel Images [0.8029049649310211]
  全スライド画像(WSI)は、医療現場で診断と治療のために定期的に準備された染色組織スライドの顕微鏡画像である。 現在の最先端(SoTA)アプローチでは、WSIはそれらをタイルに分類し、事前訓練されたネットワークでエンコードし、MIL(Multiple Instance Learning)を適用して、特定の下流タスクのトレーニングを行います。 本稿では,強力なスライド表現を推論するアノテーションを使わずに,多数のWSIを活用するためのスライドレベルSSLの戦略を提案する。
  論文  参考訳（メタデータ） (2022-12-06T19:09:19Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Lesion-Aware Contrastive Representation Learning for Histopathology Whole Slide Images Analysis [16.264758789726223]
  本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。 実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
  論文  参考訳（メタデータ） (2022-06-27T08:39:51Z)
• Test-time Adaptation with Slot-Centric Models [63.981055778098444]
  Slot-TTAは、半教師付きシーン分解モデルであり、シーンごとのテスト時間は、再構成やクロスビュー合成の目的に対する勾配降下を通じて適用される。 我々は、最先端の監視フィードフォワード検出器と代替テスト時間適応法に対して、配電性能が大幅に向上したことを示す。
  論文  参考訳（メタデータ） (2022-03-21T17:59:50Z)
• Unsupervised neural adaptation model based on optimal transport for spoken language identification [54.96267179988487]
  トレーニングセットとテストセット間の音響音声の統計的分布のミスマッチにより,音声言語識別(SLID)の性能が大幅に低下する可能性がある。 SLIDの分布ミスマッチ問題に対処するために,教師なしニューラル適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-12-24T07:37:19Z)
• Revisiting LSTM Networks for Semi-Supervised Text Classification via Mixed Objective Function [106.69643619725652]
  我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。 いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
  論文  参考訳（メタデータ） (2020-09-08T21:55:22Z)
• Adaptive Adversarial Logits Pairing [65.51670200266913]
  逆行訓練ソリューションであるAdversarial Logits Pairing (ALP)は、脆弱なものに比べて、高い貢献度を少なくする傾向にある。 これらの観測により,適応型対数対数対数対数対数対数法 (AALP) を設計し,ALPのトレーニングプロセスとトレーニングターゲットを変更する。 AALPは適応的な機能最適化モジュールと Guided Dropout から構成されており、より少ない高コントリビューション機能を体系的に追求する。
  論文  参考訳（メタデータ） (2020-05-25T03:12:20Z)

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。