論文の概要: Magnification Generalization for Histopathology Image Embedding

• arxiv url: http://arxiv.org/abs/2101.07757v1
• Date: Mon, 18 Jan 2021 02:46:26 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-27 06:03:45.023041
• Title: Magnification Generalization for Histopathology Image Embedding
• Title（参考訳）: 病理画像埋め込みのための拡大一般化
• Authors: Milad Sikaroudi, Benyamin Ghojogh, Fakhri Karray, Mark Crowley, H.R. Tizhoosh
• Abstract要約: 本論文は病理組織像埋め込みのための拡大一般化に関する最初の研究である。 拡張一般化のためのエピソディック訓練可能なドメイン一般化手法、すなわち意味的特徴のモデル非依存学習(masf)を用いた。 4つの異なる倍率レベルを有する乳癌組織病理データセットの実験結果から,提案手法の倍率一般化の有効性が示された。
• 参考スコア（独自算出の注目度）: 3.6643643019351018
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Histopathology image embedding is an active research area in computer vision. Most of the embedding models exclusively concentrate on a specific magnification level. However, a useful task in histopathology embedding is to train an embedding space regardless of the magnification level. Two main approaches for tackling this goal are domain adaptation and domain generalization, where the target magnification levels may or may not be introduced to the model in training, respectively. Although magnification adaptation is a well-studied topic in the literature, this paper, to the best of our knowledge, is the first work on magnification generalization for histopathology image embedding. We use an episodic trainable domain generalization technique for magnification generalization, namely Model Agnostic Learning of Semantic Features (MASF), which works based on the Model Agnostic Meta-Learning (MAML) concept. Our experimental results on a breast cancer histopathology dataset with four different magnification levels show the proposed method's effectiveness for magnification generalization.
• Abstract（参考訳）: 病理像の埋め込みはコンピュータビジョンの活発な研究領域である。 埋め込みモデルのほとんどは、特定の倍率レベルにのみ集中する。 しかしながら、病理組織学の埋め込みにおいて有用なタスクは、拡大レベルに関係なく埋め込み空間を訓練することである。 この目標に対処するための2つの主要なアプローチは、ドメイン適応とドメイン一般化である。 拡大適応は文献でよく研究されている話題であるが,我々の知る限りでは,組織病理画像埋め込みのための拡大一般化に関する最初の研究である。 本稿では,モデル非依存メタラーニング(MAML)の概念に基づく,意味的特徴のモデル非依存学習(MASF)という,拡大一般化のためのエピソード学習可能な領域一般化手法を用いる。 4種類の倍率の乳腺病理組織学的データセットを用いた実験結果から,提案法の有効性が示唆された。

関連論文リスト

• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• Unsupervised deep learning techniques for powdery mildew recognition based on multispectral imaging [63.62764375279861]
  本稿では,キュウリ葉の粉状ミドウを自動的に認識する深層学習手法を提案する。 マルチスペクトルイメージングデータに適用した教師なし深層学習技術に焦点をあてる。 本稿では, オートエンコーダアーキテクチャを用いて, 疾患検出のための2つの手法を提案する。
  論文  参考訳（メタデータ） (2021-12-20T13:29:13Z)
• Multi-Scale Input Strategies for Medulloblastoma Tumor Classification using Deep Transfer Learning [59.30734371401316]
  乳腺芽腫は小児で最も多い悪性脳腫瘍である。 CNNはMBサブタイプ分類に有望な結果を示した。 タイルサイズと入力戦略の影響について検討した。
  論文  参考訳（メタデータ） (2021-09-14T09:42:37Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Magnification-independent Histopathological Image Classification with Similarity-based Multi-scale Embeddings [12.398787062519034]
  本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。 特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。 SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
  論文  参考訳（メタデータ） (2021-07-02T13:18:45Z)
• Domain Generalization on Medical Imaging Classification using Episodic Training with Task Augmentation [62.49837463676111]
  本稿では,医用画像分類におけるタスク強化によるエピソードトレーニングの新たな手法を提案する。 実際の医療展開において、限られた数のソースドメインによって動機付けられ、ユニークなタスクレベルのオーバーフィッティングを検討します。
  論文  参考訳（メタデータ） (2021-06-13T03:56:59Z)
• Evaluation of Complexity Measures for Deep Learning Generalization in Medical Image Analysis [77.60508571062958]
  PAC-ベイズ平坦度とパスノルムに基づく測度は、モデルとデータの組み合わせについて最も一貫した説明をもたらす。 また,乳房画像に対するマルチタスク分類とセグメンテーションのアプローチについても検討した。
  論文  参考訳（メタデータ） (2021-03-04T20:58:22Z)
• Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation [4.538771844947821]
  STRAP(Style TRansfer Augmentation for histoPathology)は、芸術絵画からのランダムなスタイル移行に基づくデータ拡張の一形態である。 スタイル転送は、画像の低レベルのテクスチャ内容をランダムに選択された芸術絵画の非形式的なスタイルに置き換える。 STRAPが最先端のパフォーマンス、特にドメインシフトの存在につながることを実証する。
  論文  参考訳（メタデータ） (2021-02-02T18:50:16Z)
• 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)

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。