Fugu-MT 論文翻訳(概要): Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation

論文の概要: Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation

arxiv url: http://arxiv.org/abs/2102.01678v1
Date: Tue, 2 Feb 2021 18:50:16 GMT
ステータス: 処理完了
システム内更新日: 2021-02-03 16:13:53.674975
Title: Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation
Title（参考訳）: 医学的無関係なスタイル転送拡張を用いた計算病理のドメインに依存しない視覚表現の学習
Authors: Rikiya Yamashita, Jin Long, Snikitha Banda, Jeanne Shen, Daniel L. Rubin
Abstract要約: 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。
参考スコア（独自算出の注目度）: 4.538771844947821
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Suboptimal generalization of machine learning models on unseen data is a key challenge which hampers the clinical applicability of such models to medical imaging. Although various methods such as domain adaptation and domain generalization have evolved to combat this challenge, learning robust and generalizable representations is core to medical image understanding, and continues to be a problem. Here, we propose STRAP (Style TRansfer Augmentation for histoPathology), a form of data augmentation based on random style transfer from artistic paintings, for learning domain-agnostic visual representations in computational pathology. Style transfer replaces the low-level texture content of images with the uninformative style of randomly selected artistic paintings, while preserving high-level semantic content. This improves robustness to domain shift and can be used as a simple yet powerful tool for learning domain-agnostic representations. We demonstrate that STRAP leads to state-of-the-art performance, particularly in the presence of domain shifts, on a particular classification task of predicting microsatellite status in colorectal cancer using digitized histopathology images.
Abstract（参考訳）: 見えないデータに基づく機械学習モデルの最適一般化は、そのようなモデルの医療画像への臨床応用性を妨げる重要な課題である。ドメイン適応やドメイン一般化といった様々な方法がこの課題に対処するために進化してきたが、堅牢で一般化可能な表現の学習は医用画像理解の中核であり、現在も問題となっている。本稿では,芸術絵画からのランダムなスタイル転送に基づくデータ拡張の一形態であるSTRAP(Style TRansfer Augmentation for histoPathology)を提案する。スタイル転送は、高レベルの意味コンテンツを維持しながら、画像の低レベルのテクスチャコンテンツをランダムに選択された芸術絵画の無情報スタイルに置き換えます。これにより、ドメインシフトに対する堅牢性が向上し、ドメインに依存しない表現を学ぶためのシンプルで強力なツールとして使用できる。その結果,ストラップは大腸癌におけるマイクロサテライト状態をデジタル化組織病理画像を用いて予測する特定の分類タスクにおいて,最先端のパフォーマンス,特にドメインシフトの有無に寄与することが示された。

関連論文リスト

MLIP: Enhancing Medical Visual Representation with Divergence Encoder and Knowledge-guided Contrastive Learning [48.97640824497327]
本稿では、画像テキストのコントラスト学習を通じて、言語情報を視覚領域に統合するための案内信号として、ドメイン固有の医療知識を活用する新しいフレームワークを提案する。我々のモデルには、設計した分散エンコーダによるグローバルコントラスト学習、局所トークン・知識・パッチアライメントコントラスト学習、知識誘導型カテゴリレベルのコントラスト学習、エキスパートナレッジによるコントラスト学習が含まれる。特に、MLIPは、限られた注釈付きデータであっても最先端の手法を超越し、医療表現学習の進歩におけるマルチモーダル事前学習の可能性を強調している。
論文参考訳（メタデータ） (2024-02-03T05:48:50Z)
Learned representation-guided diffusion models for large-image generation [58.192263311786824]
自己教師型学習(SSL)からの埋め込みを条件とした拡散モデルを訓練する新しいアプローチを導入する。我々の拡散モデルは、これらの特徴を高品質な病理組織学およびリモートセンシング画像に投影することに成功した。実画像のバリエーションを生成して実データを増やすことにより、パッチレベルおよび大規模画像分類タスクの下流精度が向上する。
論文参考訳（メタデータ） (2023-12-12T14:45:45Z)
Histopathological Image Analysis with Style-Augmented Feature Domain Mixing for Improved Generalization [14.797708873795406]
ドメインの一般化は、学習モデルを新しいデータセットや集団に一般化可能にすることで、制限に対処することを目的としている。スタイル転送ベースのデータ拡張は、機械学習モデルの一般化性を改善するために使用できる新興技術である。本稿では、適応型インスタンス正規化を用いて、画像のスタイル拡張版を生成する機能ドメインスタイルミキシング手法を提案する。
論文参考訳（メタデータ） (2023-10-31T17:06:36Z)
Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文参考訳（メタデータ） (2023-03-17T18:00:27Z)
A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文参考訳（メタデータ） (2022-09-22T22:27:08Z)
IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification [5.017246733091823]
我々は、PatchShufflingと呼ばれる新しい拡張と、ディープラーニングモデルの事前学習のためのIMPaShという新しい自己教師型コントラスト学習フレームワークを提案する。提案手法は従来の組織学領域適応法や最先端の自己教師型学習法よりも優れていることを示す。
論文参考訳（メタデータ） (2022-08-23T15:59:08Z)
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)
Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。私たちのアプローチは既存のドメイン戦略よりも優れています。
論文参考訳（メタデータ） (2021-07-20T09:44:07Z)
A Survey on Graph-Based Deep Learning for Computational Histopathology [36.58189530598098]
我々は、デジタル病理と生検画像パッチの分析に機械学習と深層学習の利用が急速に拡大しているのを目撃した。畳み込みニューラルネットワークを用いたパッチワイド機能に関する従来の学習は、グローバルなコンテキスト情報をキャプチャしようとする際のモデルを制限する。本稿では,グラフに基づく深層学習の概念的基盤を提供し,腫瘍の局在と分類,腫瘍浸潤とステージング,画像検索,生存予測の現在の成功について論じる。
論文参考訳（メタデータ） (2021-07-01T07:50:35Z)
Domain Shift in Computer Vision models for MRI data analysis: An Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。しかし、現在臨床応用はごくわずかである。異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文参考訳（メタデータ） (2020-10-14T16:34:21Z)
Stain Style Transfer of Histopathology Images Via Structure-Preserved Generative Learning [31.254432319814864]
本研究では,SSIM-GANとDSCSI-GANの2つのステンスタイル転送モデルを提案する。学習における構造保存指標と補助診断ネットのフィードバックを協調することにより、医療関連情報をカラー正規化画像に保存する。
論文参考訳（メタデータ） (2020-07-24T15:30:19Z)

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。