論文の概要: Joint Triplet Autoencoder for Histopathological Colon Cancer Nuclei
Retrieval
- arxiv url: http://arxiv.org/abs/2105.10262v1
- Date: Fri, 21 May 2021 10:31:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-05-25 03:24:07.717864
- Title: Joint Triplet Autoencoder for Histopathological Colon Cancer Nuclei
Retrieval
- Title（参考訳）: 病理組織学的大腸癌核検索のための共同トリプルトオートエンコーダ
- Authors: Satya Rajendra Singh, Shiv Ram Dubey, Shruthi MS, Sairathan
Ventrapragada, Saivamshi Salla Dasharatha
- Abstract要約: 深層学習の力は、生体画像解析の分野におけるデータからの自動特徴学習に活用されている。
本稿では、自動エンコーダフレームワークにおける三重項学習を容易にすることで、JTANet(Joint Triplet Autoencoder Network)を提案する。
大腸癌検索のためのオートエンコーダモデルとシームズモデルに対して提案したJTANetモデルを用いて有望な性能を観察した。
- 参考スコア（独自算出の注目度）: 8.133448803619766
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep learning has shown a great improvement in the performance of visual
tasks. Image retrieval is the task of extracting the visually similar images
from a database for a query image. The feature matching is performed to rank
the images. Various hand-designed features have been derived in past to
represent the images. Nowadays, the power of deep learning is being utilized
for automatic feature learning from data in the field of biomedical image
analysis. Autoencoder and Siamese networks are two deep learning models to
learn the latent space (i.e., features or embedding). Autoencoder works based
on the reconstruction of the image from latent space. Siamese network utilizes
the triplets to learn the intra-class similarity and inter-class dissimilarity.
Moreover, Autoencoder is unsupervised, whereas Siamese network is supervised.
We propose a Joint Triplet Autoencoder Network (JTANet) by facilitating the
triplet learning in autoencoder framework. A joint supervised learning for
Siamese network and unsupervised learning for Autoencoder is performed.
Moreover, the Encoder network of Autoencoder is shared with Siamese network and
referred as the Siamcoder network. The features are extracted by using the
trained Siamcoder network for retrieval purpose. The experiments are performed
over Histopathological Routine Colon Cancer dataset. We have observed the
promising performance using the proposed JTANet model against the Autoencoder
and Siamese models for colon cancer nuclei retrieval in histopathological
images.
- Abstract（参考訳）: ディープラーニングは視覚的なタスクのパフォーマンスを大幅に改善した。
画像検索は、クエリ画像のためのデータベースから視覚的に類似した画像を抽出するタスクである。
画像のランク付けのために特徴マッチングを行う。
画像を表現するために、過去に様々な手作りの特徴が導出されている。
近年,バイオメディカル画像解析の分野におけるデータからの自動特徴学習に深層学習の力が活用されている。
autoencoderとsiamese networksは、潜在空間(すなわち特徴や埋め込み)を学ぶための2つのディープラーニングモデルである。
Autoencoderは、潜在空間からのイメージの再構成に基づいて動作する。
siamese networkは三重項を用いてクラス内類似性とクラス間類似性を学ぶ。
さらに、Autoencoderは教師なし、Siameseネットワークは教師なしである。
本稿では、自動エンコーダフレームワークにおける三重項学習を容易にすることで、JTANet(Joint Triplet Autoencoder Network)を提案する。
シャムネットワークの教師付き学習とオートエンコーダの教師なし学習とを共同で行う。
さらに、オートエンコーダのエンコーダネットワークは、シャムネットワークと共有され、シャムコーダネットワークと呼ばれる。
これらの特徴は、訓練されたSiamcoderネットワークを用いて抽出される。
病理組織学的常在性大腸癌データを用いて実験を行った。
病理組織像から大腸癌核検索のためのオートエンコーダとシームズモデルに対して提案したJTANetモデルを用いて有望な性能を観察した。
関連論文リスト
- HVDistill: Transferring Knowledge from Images to Point Clouds via Unsupervised Hybrid-View Distillation [106.09886920774002]
本稿では,HVDistillと呼ばれるハイブリッドビューに基づく知識蒸留フレームワークを提案する。
提案手法は,スクラッチからトレーニングしたベースラインに対して一貫した改善を実現し,既存のスキームを大幅に上回っている。
論文 参考訳（メタデータ） (2024-03-18T14:18:08Z) - Correlation Pyramid Network for 3D Single Object Tracking [16.694809791177263]
本稿では,統合エンコーダとモーションファクターデコーダを備えた新しい相関ピラミッドネットワーク(CorpNet)を提案する。
CorpNetは、リアルタイムに実行しながら最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-05-16T06:07:20Z) - Attentive Symmetric Autoencoder for Brain MRI Segmentation [56.02577247523737]
視覚変換器(ViT)をベースとした3次元脳MRIセグメンテーションタスクのための新しいアテンテーティブシンメトリオートエンコーダを提案する。
事前学習の段階では、提案するオートエンコーダがより注意を払って、勾配測定値に従って情報パッチを再構築する。
実験の結果,提案手法は最先端の自己教師付き学習法や医用画像分割モデルよりも優れていた。
論文 参考訳（メタデータ） (2022-09-19T09:43:19Z) - 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) - Auto-Encoder based Co-Training Multi-View Representation Learning [10.120166898507328]
自動エンコーダに基づくコトレーニング型マルチビュー学習(ACMVL)という新しいアルゴリズムを提案する。
アルゴリズムには2つの段階があり、第1は各ビューの自動エンコーダを訓練し、第2段階は教師付きネットワークを訓練する。
実験結果から,優れた潜在特徴表現を学習でき,各ビューの自動エンコーダは従来のオートエンコーダよりも強力な再構成能力を有することがわかった。
論文 参考訳（メタデータ） (2022-01-09T10:20:16Z) - Double Encoder-Decoder Networks for Gastrointestinal Polyp Segmentation [19.338350044289736]
本稿では,一般的なエンコーダ・デコーダネットワークを直接拡張した意味的セグメンテーションに基づく内視鏡画像からの消化管ポリープのデライン化手法を提案する。
提案手法では,2つの事前学習エンコーダデコーダネットワークを順次積み重ねる。
二重エンコーダ・デコーダネットワークは、すべてのケースにおいて、それぞれのエンコーダ・デコーダネットワークよりも明らかに優れている。
論文 参考訳（メタデータ） (2021-10-05T11:07:42Z) - HistoTransfer: Understanding Transfer Learning for Histopathology [9.231495418218813]
我々は、ImageNetと病理組織データに基づいてトレーニングされたネットワークから抽出された特徴の性能を比較した。
より複雑なネットワークを用いて学習した機能が性能向上につながるかどうかを検討する。
論文 参考訳（メタデータ） (2021-06-13T18:55:23Z) - Atrous Residual Interconnected Encoder to Attention Decoder Framework
for Vertebrae Segmentation via 3D Volumetric CT Images [1.8146155083014204]
本稿では,3次元容積CT画像を用いた新しい椎骨分割法を提案する。
提案モデルは,ミニバッチトレーニング性能の最適化にレイヤ正規化を用いた,エンコーダからデコーダへの構造に基づく。
実験の結果,本モデルは他の医学的意味セグメンテーション法と比較して競争力が得られた。
論文 参考訳（メタデータ） (2021-04-08T12:09:16Z) - Free-Form Image Inpainting via Contrastive Attention Network [64.05544199212831]
画像の塗装作業では、複雑なパターンを形成する画像のどこにでも、どんな形でもマスクが現れる。
エンコーダはこの複雑な状況下でこのような強力な表現を捕捉することは困難である。
本稿では,ロバスト性と一般化性を改善するための自己教師型シームズ推論ネットワークを提案する。
論文 参考訳（メタデータ） (2020-10-29T14:46:05Z) - Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic
Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。
そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。
アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文 参考訳（メタデータ） (2020-07-19T18:44:34Z) - Encoding-based Memory Modules for Recurrent Neural Networks [79.42778415729475]
本稿では,リカレントニューラルネットワークの設計とトレーニングの観点から,記憶サブタスクについて考察する。
本稿では,線形オートエンコーダを組み込んだエンコーディングベースのメモリコンポーネントを特徴とする新しいモデルであるLinear Memory Networkを提案する。
論文 参考訳（メタデータ） (2020-01-31T11:14:27Z)
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。