論文の概要: A Semi-Supervised Classification Method of Apicomplexan Parasites and
Host Cell Using Contrastive Learning Strategy
- arxiv url: http://arxiv.org/abs/2104.06593v1
- Date: Wed, 14 Apr 2021 02:34:50 GMT
- ステータス: 処理完了
- システム内更新日: 2021-04-15 13:36:41.196342
- Title: A Semi-Supervised Classification Method of Apicomplexan Parasites and
Host Cell Using Contrastive Learning Strategy
- Title（参考訳）: コントラスト学習戦略を用いたアピコンプレックス寄生虫と宿主細胞の半教師あり分類法
- Authors: Yanni Ren and Hangyu Deng and Hao Jiang and Jinglu Hu
- Abstract要約: 本稿では, 3種類のアピコプレキサン寄生虫と非感染宿主細胞顕微鏡像の半教師付き分類法を提案する。
少数のラベル付きデータと多数のラベルなしデータをトレーニングに使用します。
顕微鏡画像の1%しかラベル付けされていない場合、提案手法は一般化された試験セットで94.90%の精度に達する。
- 参考スコア（独自算出の注目度）: 6.677163460963862
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A common shortfall of supervised learning for medical imaging is the greedy
need for human annotations, which is often expensive and time-consuming to
obtain. This paper proposes a semi-supervised classification method for three
kinds of apicomplexan parasites and non-infected host cells microscopic images,
which uses a small number of labeled data and a large number of unlabeled data
for training. There are two challenges in microscopic image recognition. The
first is that salient structures of the microscopic images are more fuzzy and
intricate than natural images' on a real-world scale. The second is that
insignificant textures, like background staining, lightness, and contrast
level, vary a lot in samples from different clinical scenarios. To address
these challenges, we aim to learn a distinguishable and appearance-invariant
representation by contrastive learning strategy. On one hand, macroscopic
images, which share similar shape characteristics in morphology, are introduced
to contrast for structure enhancement. On the other hand, different appearance
transformations, including color distortion and flittering, are utilized to
contrast for texture elimination. In the case where only 1% of microscopic
images are labeled, the proposed method reaches an accuracy of 94.90% in a
generalized testing set.
- Abstract（参考訳）: 医療画像のための教師付き学習の共通する欠点は、しばしば高価で時間を要する人間のアノテーションの必要性である。
本稿では,少数のラベル付きデータと多数のラベル付きデータを用いた3種類のapicomplexan parasitesおよび非感染宿主細胞顕微鏡画像の半教師付き分類法を提案する。
顕微鏡画像認識には2つの課題がある。
ひとつは、顕微鏡画像の健全な構造が現実のスケールで自然画像よりもファジィで複雑であることです。
第2に、背景染色、明度、コントラストレベルといった重要なテクスチャは、異なる臨床シナリオのサンプルによって大きく異なります。
これらの課題に対処するため,我々はコントラスト学習戦略によって識別可能で外観不変な表現を学ぶことを目指している。
一方, 形態学的に類似した形状特性を有するマクロ画像を導入し, 構造強化を図っている。
一方,色歪みやフラッタリングなどの異なる外観変換は,テクスチャ除去のためのコントラストとして利用される。
顕微鏡画像の1%しかラベル付けされていない場合、一般化されたテストセットにおいて、提案手法は94.90%の精度に達する。
関連論文リスト
- Siamese Networks with Soft Labels for Unsupervised Lesion Detection and
Patch Pretraining on Screening Mammograms [7.917505566910886]
対向マンモグラフィーを用いてニューラルネットワークを訓練し、同様の埋め込みを符号化する手法を提案する。
本手法は,既存の自己教師あり学習法と比較して,マンモグラムのパッチ分類において優れた性能を示す。
論文 参考訳（メタデータ） (2024-01-10T22:27:37Z) - BiomedJourney: Counterfactual Biomedical Image Generation by
Instruction-Learning from Multimodal Patient Journeys [99.7082441544384]
本稿では,インストラクション学習によるバイオメディカル画像生成のための新しい手法であるBiomedJourneyを紹介する。
我々は、GPT-4を用いて、対応する画像レポートを処理し、疾患進行の自然言語記述を生成する。
得られた三重項は、反現実的なバイオメディカル画像生成のための潜伏拡散モデルを訓練するために使用される。
論文 参考訳（メタデータ） (2023-10-16T18:59:31Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - 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) - Artifact-Tolerant Clustering-Guided Contrastive Embedding Learning for
Ophthalmic Images [18.186766129476077]
眼科画像の表現を学習するための,EyeLearnと呼ばれる人工物耐性の非教師なし学習フレームワークを提案する。
EyeLearnには、アーティファクトのない眼科画像の最良の予測が可能な表現を学ぶためのアーティファクト修正モジュールがある。
EyeLearnを評価するために,緑内障患者の実眼画像データセットを用いて,視覚野の予測と緑内障検出に学習表現を用いた。
論文 参考訳（メタデータ） (2022-09-02T01:25:45Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳（メタデータ） (2022-02-27T02:19:09Z) - 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) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Microscopic fine-grained instance classification through deep attention [7.50282814989294]
限られたサンプルを用いた微視的画像データのきめ細かい分類は、コンピュータビジョンとバイオメディカルイメージングにおいて未解決の問題である。
本稿では,エンドツーエンドで2つのタスクを同時に実行する,シンプルで効果的なディープネットワークを提案する。
その結果、堅牢だが軽量なエンドツーエンドのトレーニング可能なディープネットワークが実現し、最先端の結果が得られます。
論文 参考訳（メタデータ） (2020-10-06T15:29:58Z) - Melanoma Detection using Adversarial Training and Deep Transfer Learning [6.22964000148682]
皮膚病変画像の自動分類のための2段階の枠組みを提案する。
第1段階では、条件付き画像合成のタスクにおいて、データ分布のクラス間変動を利用する。
第2段階では,皮膚病変分類のための深部畳み込みニューラルネットワークを訓練する。
論文 参考訳（メタデータ） (2020-04-14T22:46:20Z)
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。