論文の概要: Learning Low-dimensional Manifolds for Scoring of Tissue Microarray Images

• arxiv url: http://arxiv.org/abs/2102.11396v1
• Date: Mon, 22 Feb 2021 22:55:04 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-24 14:12:19.767151
• Title: Learning Low-dimensional Manifolds for Scoring of Tissue Microarray Images
• Title（参考訳）: 組織マイクロアレイ画像のスコアリングのための低次元マニホールドの学習
• Authors: Donghui Yan, Jian Zou, Zhenpeng Li
• Abstract要約: DeepTacomaは、グループ性質の適切な深い表現を取り入れたアルゴリズムです。 我々は、TMA画像スコアリングの文脈において、代替の深度表現を学習するためにmfTacomaを提案する。
• 参考スコア（独自算出の注目度）: 3.3698237463099274
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Tissue microarray (TMA) images have emerged as an important high-throughput tool for cancer study and the validation of biomarkers. Efforts have been dedicated to further improve the accuracy of TACOMA, a cutting-edge automatic scoring algorithm for TMA images. One major advance is due to deepTacoma, an algorithm that incorporates suitable deep representations of a group nature. Inspired by the recent advance in semi-supervised learning and deep learning, we propose mfTacoma to learn alternative deep representations in the context of TMA image scoring. In particular, mfTacoma learns the low-dimensional manifolds, a common latent structure in high dimensional data. Deep representation learning and manifold learning typically requires large data. By encoding deep representation of the manifolds as regularizing features, mfTacoma effectively leverages the manifold information that is potentially crude due to small data. Our experiments show that deep features by manifolds outperforms two alternatives -- deep features by linear manifolds with principal component analysis or by leveraging the group property.
• Abstract（参考訳）: 組織マイクロアレイ(TMA)画像は、がん研究およびバイオマーカーの検証のための重要な高スループットツールとして浮上しています。 TMA画像のための最先端の自動スコアリングアルゴリズムであるTACOMAの精度をさらに向上させるために努力しています。 主な進歩の1つは、群自然の適切な深部表現を組み込んだアルゴリズムであるdeeptacomaである。 半教師付き学習と深層学習の最近の進歩に触発されて,TMA画像スコアリングの文脈において,代替的な深部表現を学習するためのmfTacomaを提案する。 特に mfTacoma は、高次元データにおける共通の潜在構造である低次元多様体を学習する。 深層表現学習と多様体学習は通常大きなデータを必要とする。 多様体の深い表現を正規化特徴として符号化することで、mftacomaは小さなデータによって潜在的に粗い多様体情報を効果的に活用する。 実験により、多様体による深い特徴は、主成分分析を伴う線型多様体による深い特徴、あるいは群の性質を利用した2つの代替よりも優れていることが示された。

関連論文リスト

• MM-UNet: A Mixed MLP Architecture for Improved Ophthalmic Image Segmentation [3.2846676620336632]
  眼科画像分割は眼疾患の診断において重要な基礎となる。 トランスフォーマーベースのモデルはこれらの制限に対処するが、かなりの計算オーバーヘッドをもたらす。 本稿では,眼内画像分割に適したMixedモデルであるMM-UNetを紹介する。
  論文  参考訳（メタデータ） (2024-08-16T08:34:50Z)
• Abdominal organ segmentation via deep diffeomorphic mesh deformations [5.4173776411667935]
  CTとMRIによる腹部臓器の分節は,手術計画とコンピュータ支援ナビゲーションシステムにとって必須の要件である。 肝, 腎, 膵, 脾の分節に対するテンプレートベースのメッシュ再構成法を応用した。 結果として得られたUNetFlowは4つの器官すべてによく当てはまり、新しいデータに基づいて簡単に微調整できる。
  論文  参考訳（メタデータ） (2023-06-27T14:41:18Z)
• Domain Generalization for Mammographic Image Analysis with Contrastive Learning [62.25104935889111]
  効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。 より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。 提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
  論文  参考訳（メタデータ） (2023-04-20T11:40:21Z)
• A Knowledge Distillation framework for Multi-Organ Segmentation of Medaka Fish in Tomographic Image [5.881800919492064]
  メダカ魚のトモグラフィー画像における多臓器セグメンテーションのための自己学習フレームワークを提案する。 本研究では,事前訓練されたモデルから得られた擬似ラベルデータを利用して,擬似ラベルデータを洗練するために品質教師を採用する。 実験結果から,本手法は全データセット上で平均IoU(Intersection over Union)を5.9%改善することが示された。
  論文  参考訳（メタデータ） (2023-02-24T10:31:29Z)
• Data-Efficient Learning via Minimizing Hyperspherical Energy [48.47217827782576]
  本稿では,少数の代表データを用いたスクラッチからのデータ効率学習の問題について考察する。 我々は,MHEに基づくアクティブラーニング(MHEAL)アルゴリズムを提案し,MHEALの包括的な理論的保証を提供する。
  論文  参考訳（メタデータ） (2022-06-30T11:39:12Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• Weakly Supervised Change Detection Using Guided Anisotropic Difusion [97.43170678509478]
  我々は、このようなデータセットを変更検出の文脈で活用するのに役立つ独自のアイデアを提案する。 まず,意味的セグメンテーション結果を改善する誘導異方性拡散(GAD)アルゴリズムを提案する。 次に、変化検出に適した2つの弱い教師付き学習戦略の可能性を示す。
  論文  参考訳（メタデータ） (2021-12-31T10:03:47Z)
• Towards Robust Partially Supervised Multi-Structure Medical Image Segmentation on Small-Scale Data [123.03252888189546]
  データ不足下における部分教師付き学習(PSL)における方法論的ギャップを埋めるために,不確実性下でのビシナルラベル(VLUU)を提案する。 マルチタスク学習とヴィジナルリスク最小化によって動機づけられたVLUUは、ビジナルラベルを生成することによって、部分的に教師付き問題を完全な教師付き問題に変換する。 本研究は,ラベル効率の高い深層学習における新たな研究の方向性を示唆するものである。
  論文  参考訳（メタデータ） (2020-11-28T16:31:00Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• Large Deformation Diffeomorphic Image Registration with Laplacian Pyramid Networks [11.4219428942199]
  本稿では,画像登録最適化問題を解くために,ラプラシアンピラミッド画像登録ネットワークを提案する。 提案手法は, 良好な微分特性と有望な登録速度を維持しつつ, 既存の手法よりも有意なマージンで性能を向上する。
  論文  参考訳（メタデータ） (2020-06-29T16:10:40Z)

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。