論文の概要: Multi-Instance Learning by Utilizing Structural Relationship among Instances

• arxiv url: http://arxiv.org/abs/2102.01889v1
• Date: Wed, 3 Feb 2021 06:06:03 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 17:45:37.098236
• Title: Multi-Instance Learning by Utilizing Structural Relationship among Instances
• Title（参考訳）: インスタンス間の構造的関係を利用したマルチインスタンス学習
• Authors: Yangling Ma, Zhouwang Yang
• Abstract要約: バッグ内のインスタンス間の構造的関係から構築したグラフに基づくMILアルゴリズムを提案する。 医用画像分類作業において,GCNに基づくMILアルゴリズムは,元の画像空間領域におけるパッチ間の構造的関係をフル活用する。
• 参考スコア（独自算出の注目度）: 1.544681800932596
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Multi-Instance Learning(MIL) aims to learn the mapping between a bag of instances and the bag-level label. Therefore, the relationships among instances are very important for learning the mapping. In this paper, we propose an MIL algorithm based on a graph built by structural relationship among instances within a bag. Then, Graph Convolutional Network(GCN) and the graph-attention mechanism are used to learn bag-embedding. In the task of medical image classification, our GCN-based MIL algorithm makes full use of the structural relationships among patches(instances) in an original image space domain, and experimental results verify that our method is more suitable for handling medical high-resolution images. We also verify experimentally that the proposed method achieves better results than previous methods on five bechmark MIL datasets and four medical image datasets.
• Abstract（参考訳）: マルチインスタンス学習(MIL)は、インスタンスの袋とバッグレベルのラベルの間のマッピングを学習することを目的としている。 したがって、インスタンス間の関係はマッピングを学ぶために非常に重要です。 本稿では,バッグ内のインスタンス間の構造的関係から構築したグラフに基づくMILアルゴリズムを提案する。 次に、グラフ畳み込みネットワーク(gcn)とグラフアテンション機構を用いて、バッグエンベディングを学習する。 医用画像分類の課題では, 医用画像領域におけるパッチ間の構造的関係をGCNベースのMILアルゴリズムでフル活用し, 実験結果から, 医用高解像度画像の処理に適した方法であることが確認された。 また,提案手法が従来の5つのベンチマークMILデータセットと4つの医療画像データセットよりも良好な結果が得られることを実験的に検証した。

関連論文リスト

• LoGra-Med: Long Context Multi-Graph Alignment for Medical Vision-Language Model [55.80651780294357]
  最新の医療用マルチモーダル大規模言語モデル(med-MLLM)は、事前訓練において命令追従データを活用する。 LoGra-Medは新しいマルチグラフアライメントアルゴリズムで、画像のモダリティ、会話ベースの記述、拡張キャプション間でのトリプルト相関を強制する。 以上の結果から,LoGra-Medは医療用VQAの600K画像テキスト対に対してLAVA-Medと一致し,その10%でトレーニングした場合に有意に優れていた。
  論文  参考訳（メタデータ） (2024-10-03T15:52:03Z)
• Masked Image Modeling: A Survey [73.21154550957898]
  マスク付き画像モデリングは、コンピュータビジョンにおける強力な自己教師付き学習技術として登場した。 我々は近年,分類学を構築し,最も顕著な論文をレビューしている。 我々は,最も人気のあるデータセット上で,様々なマスク付き画像モデリング手法の性能評価結果を集約する。
  論文  参考訳（メタデータ） (2024-08-13T07:27:02Z)
• The Whole Pathological Slide Classification via Weakly Supervised Learning [7.313528558452559]
  細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。 本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。 次に,隣接行列を用いてタイル間の空間的関係を記述する。 これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
  論文  参考訳（メタデータ） (2023-07-12T16:14:23Z)
• LVM-Med: Learning Large-Scale Self-Supervised Vision Models for Medical Imaging via Second-order Graph Matching [59.01894976615714]
  LVM-Medは、大規模医療データセットに基づいてトレーニングされた、最初のディープネットワークファミリーである。 55の公開データセットから約13万の医療画像を収集しました。 LVM-Medは、多くの最先端の教師付き、自己監督型、基礎モデルよりも経験的に優れている。
  論文  参考訳（メタデータ） (2023-06-20T22:21:34Z)
• Medical Image Analysis using Deep Relational Learning [1.8465474345655504]
  医用画像セグメンテーションを行うために,特徴間の暗黙的関係情報を効果的にモデル化するコンテキスト対応完全畳み込みネットワークを提案する。 そこで我々は,隣接するフレーム間の空間的関係を学習し,正確な医用画像モザイクを実現するために,新しい階層的ホモグラフィー推定ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-28T16:10:12Z)
• Multi-Scale Relational Graph Convolutional Network for Multiple Instance Learning in Histopathology Images [2.6663738081163726]
  マルチスケールグラフ畳み込みネットワーク(MS-RGCN)をマルチラーニング手法として導入する。 病理組織像パッチと近隣のパッチと他のスケールのパッチとの関係をグラフとしてモデル化する。 前立腺癌の病理組織像を実験的に検討し,パッチから抽出した特徴に基づいて拡大群を予測した。
  論文  参考訳（メタデータ） (2022-12-17T02:26:42Z)
• ContIG: Self-supervised Multimodal Contrastive Learning for Medical Imaging with Genetics [4.907551775445731]
  本研究では、ラベルのない医療画像と遺伝データの大規模なデータセットから学習できる自己教師付き手法であるContIGを提案する。 提案手法は特徴空間における画像といくつかの遺伝的モダリティをコントラスト的損失を用いて整列させる。 また、我々のモデルで学んだ特徴に関するゲノムワイド・アソシエーション研究を行い、画像と遺伝データの間の興味深い関係を明らかにする。
  論文  参考訳（メタデータ） (2021-11-26T11:06:12Z)
• Deep Relational Metric Learning [84.95793654872399]
  本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。 我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。 広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
  論文  参考訳（メタデータ） (2021-08-23T09:31:18Z)
• Memory-Augmented Relation Network for Few-Shot Learning [114.47866281436829]
  本研究では,新しい距離学習手法であるメモリ拡張リレーショナルネットワーク(MRN)について検討する。 MRNでは、作業状況と視覚的に類似したサンプルを選択し、重み付け情報伝搬を行い、選択したサンプルから有用な情報を注意深く集約し、その表現を強化する。 我々は、MRNが祖先よりも大幅に向上し、他の数発の学習手法と比較して、競争力や性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-05-09T10:09:13Z)
• Pathological Retinal Region Segmentation From OCT Images Using Geometric Relation Based Augmentation [84.7571086566595]
  本稿では,幾何学と形状の内在的関係を共同で符号化することで,従来のGANベースの医用画像合成法よりも優れた手法を提案する。 提案手法は,取得手順の異なる画像を有する公開RETOUCHデータセット上で,最先端のセグメンテーション手法より優れている。
  論文  参考訳（メタデータ） (2020-03-31T11:50:43Z)

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。