論文の概要: HistoTransfer: Understanding Transfer Learning for Histopathology
- arxiv url: http://arxiv.org/abs/2106.07068v1
- Date: Sun, 13 Jun 2021 18:55:23 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-16 08:09:35.734081
- Title: HistoTransfer: Understanding Transfer Learning for Histopathology
- Title（参考訳）: HistoTransfer: 病理学における伝達学習の理解
- Authors: Yash Sharma, Lubaina Ehsan, Sana Syed, Donald E. Brown
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 9.231495418218813
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Advancement in digital pathology and artificial intelligence has enabled deep
learning-based computer vision techniques for automated disease diagnosis and
prognosis. However, WSIs present unique computational and algorithmic
challenges. WSIs are gigapixel-sized, making them infeasible to be used
directly for training deep neural networks. Hence, for modeling, a two-stage
approach is adopted: Patch representations are extracted first, followed by the
aggregation for WSI prediction. These approaches require detailed pixel-level
annotations for training the patch encoder. However, obtaining these
annotations is time-consuming and tedious for medical experts. Transfer
learning is used to address this gap and deep learning architectures
pre-trained on ImageNet are used for generating patch-level representation.
Even though ImageNet differs significantly from histopathology data,
pre-trained networks have been shown to perform impressively on histopathology
data. Also, progress in self-supervised and multi-task learning coupled with
the release of multiple histopathology data has led to the release of
histopathology-specific networks. In this work, we compare the performance of
features extracted from networks trained on ImageNet and histopathology data.
We use an attention pooling network over these extracted features for
slide-level aggregation. We investigate if features learned using more complex
networks lead to gain in performance. We use a simple top-k sampling approach
for fine-tuning framework and study the representation similarity between
frozen and fine-tuned networks using Centered Kernel Alignment. Further, to
examine if intermediate block representation is better suited for feature
extraction and ImageNet architectures are unnecessarily large for
histopathology, we truncate the blocks of ResNet18 and DenseNet121 and examine
the performance.
- Abstract（参考訳）: デジタル病理学と人工知能の進歩により、深層学習に基づくコンピュータビジョン技術により、疾患の診断と予後を自動化できる。
しかし、WSIは独自の計算とアルゴリズムの課題を提示している。
WSIはギガピクセルサイズのもので、ディープニューラルネットワークのトレーニングに直接使用することができない。
したがって、モデリングには2段階のアプローチが採用されている: パッチ表現はまず抽出され、次にwsi予測のための集計が行われる。
これらのアプローチには、パッチエンコーダをトレーニングするための詳細なピクセルレベルのアノテーションが必要である。
しかし、これらのアノテーションを得ることは医療専門家にとって時間がかかり、退屈である。
転送学習はこのギャップに対処するために使用され、ImageNetで事前トレーニングされたディープラーニングアーキテクチャはパッチレベルの表現を生成するために使用される。
imagenetは病理組織学データと大きく異なるが、事前訓練されたネットワークは病理組織学データで印象的なパフォーマンスを示すことが示されている。
また, 自己教師とマルチタスク学習の進歩と複数の病理組織学データのリリースは, 病理組織特異的ネットワークのリリースにつながった。
本研究では,imagenetで訓練されたネットワークから抽出した特徴と病理組織学データの比較を行った。
スライドレベルのアグリゲーションには,これらの抽出した機能に対して注意プーリングネットワークを使用する。
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。
我々は,単純なtop-kサンプリング手法を微調整フレームワークに適用し,中心的カーネルアライメントを用いた冷凍ネットワークと微調整ネットワーク間の表現類似性について検討した。
さらに,中間ブロック表現が特徴抽出に適しているか,imagenetアーキテクチャが病理組織学に不必要に大きいかを調べるため,resnet18とdrknet121のブロックを切断し,その性能を検討する。
関連論文リスト
- Slicer Networks [8.43960865813102]
医用画像解析のための新しいアーキテクチャであるスライダネットワークを提案する。
スライダ・ネットワークは、スプレイティング・ブルーリング・スライシング・プロセスを通じて、機能マップを戦略的に洗練し、アップサンプルする。
異なる医療画像アプリケーションにわたる実験により、スライカーネットワークの精度と効率が向上したことが確認された。
論文 参考訳（メタデータ） (2024-01-18T09:50:26Z) - A Deep Learning-based Compression and Classification Technique for Whole
Slide Histopathology Images [0.31498833540989407]
我々は、ニューラルネットワークのアンサンブルを構築し、圧縮オートエンコーダを教師付き方式で、入力されたヒストロジー画像のより密度が高くより意味のある表現を維持することができる。
転送学習に基づく分類器を用いて圧縮画像を検証し、有望な精度と分類性能を示すことを示す。
論文 参考訳（メタデータ） (2023-05-11T22:20:05Z) - Adaptive Convolutional Dictionary Network for CT Metal Artifact
Reduction [62.691996239590125]
本稿では,金属人工物削減のための適応畳み込み辞書ネットワーク(ACDNet)を提案する。
我々のACDNetは、トレーニングデータを介して、アーティファクトフリーCT画像の事前を自動で学習し、入力されたCT画像ごとに表現カーネルを適応的に調整することができる。
本手法は,モデルに基づく手法の明確な解釈可能性を継承し,学習に基づく手法の強力な表現能力を維持する。
論文 参考訳（メタデータ） (2022-05-16T06:49:36Z) - 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) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image
Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。
そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文 参考訳（メタデータ） (2021-10-27T18:54:25Z) - Anomaly Detection on Attributed Networks via Contrastive Self-Supervised
Learning [50.24174211654775]
本論文では,アトリビュートネットワーク上の異常検出のためのコントラスト型自己監視学習フレームワークを提案する。
このフレームワークは、新しいタイプのコントラストインスタンスペアをサンプリングすることで、ネットワークデータからのローカル情報を完全に活用します。
高次元特性と局所構造から情報埋め込みを学習するグラフニューラルネットワークに基づくコントラスト学習モデルを提案する。
論文 参考訳（メタデータ） (2021-02-27T03:17:20Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - HATNet: An End-to-End Holistic Attention Network for Diagnosis of Breast
Biopsy Images [39.82731558467617]
乳房生検画像の分類を行うために,新しい注意型ネットワークであるHATNetを導入する。
自己注意を用いてグローバル情報をエンコードし、明示的な監督なしに臨床的に関係のある組織構造から表現を学習することができる。
本分析の結果,HATNetは臨床的に関連のある構造から表現を学習し,ヒト病理学者の分類精度に適合していることが判明した。
論文 参考訳（メタデータ） (2020-07-25T20:42:21Z)
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。