論文の概要: Quantifying the Scanner-Induced Domain Gap in Mitosis Detection
- arxiv url: http://arxiv.org/abs/2103.16515v1
- Date: Tue, 30 Mar 2021 17:17:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-03-31 15:10:10.666108
- Title: Quantifying the Scanner-Induced Domain Gap in Mitosis Detection
- Title（参考訳）: ミトコンドリア検出における走査型ドメインギャップの定量化
- Authors: Marc Aubreville, Christof Bertram, Mitko Veta, Robert Klopfleisch,
Nikolas Stathonikos, Katharina Breininger, Natalie ter Hoeve, Francesco
Ciompi, and Andreas Maier
- Abstract要約: 異なるスライドスキャナを用いて導入したドメインシフトに対する標準トポトーシス検出手法の感受性を評価する。
本研究は, 生物化学的変動ではなく, 純粋に取得装置の選択によるドメインシフトが過小評価されていることを示す。
- 参考スコア（独自算出の注目度）: 8.09551131543818
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated detection of mitotic figures in histopathology images has seen vast
improvements, thanks to modern deep learning-based pipelines. Application of
these methods, however, is in practice limited by strong variability of images
between labs. This results in a domain shift of the images, which causes a
performance drop of the models. Hypothesizing that the scanner device plays a
decisive role in this effect, we evaluated the susceptibility of a standard
mitosis detection approach to the domain shift introduced by using a different
whole slide scanner. Our work is based on the MICCAI-MIDOG challenge 2021 data
set, which includes 200 tumor cases of human breast cancer and four scanners.
Our work indicates that the domain shift induced not by biochemical
variability but purely by the choice of acquisition device is underestimated so
far. Models trained on images of the same scanner yielded an average F1 score
of 0.683, while models trained on a single other scanner only yielded an
average F1 score of 0.325. Training on another multi-domain mitosis dataset led
to mean F1 scores of 0.52. We found this not to be reflected by domain-shifts
measured as proxy A distance-derived metric.
- Abstract（参考訳）: 病理組織像における有糸分裂像の自動検出は、現代のディープラーニングベースのパイプラインのおかげで大幅に改善されている。
しかし、これらの手法の適用は、実際には実験室間の画像の強いばらつきによって制限されている。
これにより、画像のドメインシフトが発生し、モデルのパフォーマンスが低下する。
この効果においてスキャナ装置が決定的な役割を担っていると仮定し、異なるスライドスキャナを用いて導入したドメインシフトに対する標準ミトーシス検出アプローチの感受性を評価した。
私たちの研究は、ヒト乳癌200例とスキャナー4例を含む、MICCAI-MIDOG Challenge 2021データセットに基づいています。
本研究は, 生物化学的変動ではなく, 純粋に取得装置の選択によるドメインシフトが過小評価されていることを示す。
同じスキャナーの画像でトレーニングされたモデルは平均F1スコアが0.683、他のスキャナーでトレーニングされたモデルは平均F1スコアが0.325であった。
別のマルチドメインミオシスデータセットのトレーニングにより、F1スコアは0.52となった。
これは距離由来の計量をプロキシとして測定したドメインシフトに反映されないことが分かりました。
関連論文リスト
- Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。
提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。
医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文 参考訳（メタデータ） (2024-03-19T09:28:19Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - On Sensitivity and Robustness of Normalization Schemes to Input
Distribution Shifts in Automatic MR Image Diagnosis [58.634791552376235]
深層学習(DL)モデルは、再構成画像を入力として、複数の疾患の診断において最先端のパフォーマンスを達成した。
DLモデルは、トレーニングとテストフェーズ間の入力データ分布の変化につながるため、さまざまなアーティファクトに敏感である。
本稿では,グループ正規化やレイヤ正規化といった他の正規化手法を用いて,画像のさまざまなアーチファクトに対して,モデル性能にロバスト性を注入することを提案する。
論文 参考訳（メタデータ） (2023-06-23T03:09:03Z) - Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology
Dataset [6.309771474997404]
病理組織学では、スキャナによって誘導されるドメインシフトは、未知のデータでテストされた場合、トレーニングされたニューラルネットワークのパフォーマンスを妨げることが知られている。
犬皮膚扁平上皮癌の病理組織像のマルチスキャナーデータセットを公開している。
論文 参考訳（メタデータ） (2023-01-11T12:02:10Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-11-14T18:16:36Z) - MitoDet: Simple and robust mitosis detection [0.31498833540989407]
ドメインシフトの重要なソースは、異なる顕微鏡とそのカメラシステムによって導入され、デジタル化された画像の色表現が顕著に変化する。
このアルゴリズムは,強いデータ拡張を訓練したRetinaNetを用いて,予備テストセットで0.7138のF1スコアを達成している。
論文 参考訳（メタデータ） (2021-09-02T17:19:08Z) - Assessing domain adaptation techniques for mitosis detection in
multi-scanner breast cancer histopathology images [0.6999740786886536]
2つのミトーシス検出モデルと2つのスタイル転送法を訓練し、ミトーシス検出性能を向上させるために後者の有用性を評価する。
これらの最も優れたU-Netは、MIDOG 2021の予備テストセットでF1スコア0.693を達成した。
論文 参考訳（メタデータ） (2021-09-01T16:27:46Z) - Vision Transformers for femur fracture classification [59.99241204074268]
Vision Transformer (ViT) はテスト画像の83%を正確に予測することができた。
史上最大かつ最もリッチなデータセットを持つサブフラクチャーで良い結果が得られた。
論文 参考訳（メタデータ） (2021-08-07T10:12:42Z) - Zero-Shot Domain Adaptation in CT Segmentation by Filtered Back
Projection Augmentation [0.1197985185770095]
ドメインシフトは、医療コンピュータビジョンにおける最も健全な課題の1つです。
コンピュータ断層撮影(CT)画像の再現過程における異なる畳み込みカーネルによる変動について検討する。
異なるカーネルによる再構成を模擬したシングラム空間におけるCT画像の簡易かつ驚くほど効率的な拡張手法であるフィルタバックプロジェクション拡張(FBPAug)を提案する。
論文 参考訳（メタデータ） (2021-07-18T21:46:49Z) - Fader Networks for domain adaptation on fMRI: ABIDE-II study [68.5481471934606]
我々は3次元畳み込みオートエンコーダを用いて、無関係な空間画像表現を実現するとともに、ABIDEデータ上で既存のアプローチより優れていることを示す。
論文 参考訳（メタデータ） (2020-10-14T16:50:50Z) - Improved inter-scanner MS lesion segmentation by adversarial training on
longitudinal data [0.0]
ホワイトマター病変進展の評価は,MS患者の経過観察において重要なバイオマーカーである。
現在の自動病変分割アルゴリズムは、MRIスキャナーやプロトコルの違いに関連する画像特性の変化の影響を受けやすい。
スキャン間研究におけるMS病変のセグメンテーションの整合性を改善するモデルを提案する。
論文 参考訳（メタデータ） (2020-02-03T16:56:05Z)
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。