論文の概要: Positive-unlabeled Learning for Cell Detection in Histopathology Images
with Incomplete Annotations
- arxiv url: http://arxiv.org/abs/2106.15918v1
- Date: Wed, 30 Jun 2021 09:20:25 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-01 15:32:23.584160
- Title: Positive-unlabeled Learning for Cell Detection in Histopathology Images
with Incomplete Annotations
- Title（参考訳）: 不完全アノテーションを用いた病理組織像における細胞検出のための正ラベル学習
- Authors: Zipei Zhao, Fengqian Pang, Zhiwen Liu, Chuyang Ye
- Abstract要約: 正の未ラベル学習問題として検出ネットワークのトレーニングを定式化する。
乳がん細胞のミトーシス検出のための公開データセットで実験を行った。
- 参考スコア（独自算出の注目度）: 1.1470070927586016
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cell detection in histopathology images is of great value in clinical
practice. \textit{Convolutional neural networks} (CNNs) have been applied to
cell detection to improve the detection accuracy, where cell annotations are
required for network training. However, due to the variety and large number of
cells, complete annotations that include every cell of interest in the training
images can be challenging. Usually, incomplete annotations can be achieved,
where positive labeling results are carefully examined to ensure their
reliability but there can be other positive instances, i.e., cells of interest,
that are not included in the annotations. This annotation strategy leads to a
lack of knowledge about true negative samples. Most existing methods simply
treat instances that are not labeled as positive as truly negative during
network training, which can adversely affect the network performance. In this
work, to address the problem of incomplete annotations, we formulate the
training of detection networks as a positive-unlabeled learning problem.
Specifically, the classification loss in network training is revised to take
into account incomplete annotations, where the terms corresponding to negative
samples are approximated with the true positive samples and the other samples
of which the labels are unknown. To evaluate the proposed method, experiments
were performed on a publicly available dataset for mitosis detection in breast
cancer cells, and the experimental results show that our method improves the
performance of cell detection given incomplete annotations for training.
- Abstract（参考訳）: 病理組織像における細胞検出は臨床において非常に有用である。
textit{convolutional neural networks} (cnns) は、ネットワークトレーニングにセルアノテーションが必要となる検出精度を向上させるために、セル検出に適用されている。
しかしながら、多種多様で多数のセルがあるため、トレーニングイメージに関心のあるすべてのセルを含む完全なアノテーションは困難である。
通常、不完全なアノテーションは、信頼性を確保するためにポジティブなラベリング結果が慎重に検討されるが、他のポジティブな例(例えば、興味のある細胞など)はアノテーションに含まれない。
このアノテーション戦略は真の負のサンプルに関する知識の欠如につながる。
既存のほとんどのメソッドは、ネットワークトレーニング中に正の負のラベルが付けられていないインスタンスを単純に扱い、ネットワークのパフォーマンスに悪影響を及ぼす可能性がある。
本研究では,不完全アノテーションの問題に対処するために,検出ネットワークのトレーニングを正の未ラベル学習問題として定式化する。
具体的には、負のサンプルに対応する用語を正の正のサンプルとラベルが未知の他のサンプルと近似する不完全アノテーションを考慮して、ネットワークトレーニングにおける分類損失を補正する。
提案法を評価するために, 乳癌細胞におけるmitosis検出のための公開データセットを用いて実験を行い, 不完全アノテーションによる細胞検出性能の向上を実証した。
関連論文リスト
- Robust Positive-Unlabeled Learning via Noise Negative Sample
Self-correction [48.929877651182885]
正および未ラベルのデータから学ぶことは、文学における正の未ラベル(PU)学習として知られている。
本研究では,人間の学習の性質を動機とした学習戦略を取り入れた,新しい堅牢なPU学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-01T04:34:52Z) - Positive-unlabeled learning for binary and multi-class cell detection in
histopathology images with incomplete annotations [0.7874708385247353]
CNNベースの細胞検出モデルをトレーニングするには、トレーニングイメージのすべての正のインスタンスに注釈を付ける必要がある。
多くの場合、前向きなインスタンスのいくつかが注釈付けされ、他のインスタンスが注釈付けされていない、不完全なアノテーションのみが利用可能です。
本稿では,検出ネットワークのトレーニングを正の未ラベル学習問題として再構成することを提案する。
論文 参考訳（メタデータ） (2023-02-16T03:12:04Z) - Positive unlabeled learning with tensor networks [0.0]
正のラベルなし学習は、正のラベルなしデータを持つ二項分類問題である。
この研究は、正のラベルなし学習問題に対して、特徴空間距離に基づくテンソルネットワークアプローチを導入する。
論文 参考訳（メタデータ） (2022-11-25T13:14:33Z) - Learning From Positive and Unlabeled Data Using Observer-GAN [0.0]
正・未ラベルデータ(A.K.A. PU学習)から学習することの問題は、二項分類(正・負)において研究されている。
GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点を生かして、教師あり設定に問題を還元するために使用されている。
論文 参考訳（メタデータ） (2022-08-26T07:35:28Z) - Seamless Iterative Semi-Supervised Correction of Imperfect Labels in
Microscopy Images [57.42492501915773]
生体内試験は、医療機器の毒性に対する動物実験の代替手段である。
人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。
我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。
本手法は,物体検出に適応的な早期学習補正技術を提供する。
論文 参考訳（メタデータ） (2022-08-05T18:52:20Z) - Label Cleaning Multiple Instance Learning: Refining Coarse Annotations
on Single Whole-Slide Images [83.7047542725469]
病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。
本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。
乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
論文 参考訳（メタデータ） (2021-09-22T15:06:06Z) - Cell Detection from Imperfect Annotation by Pseudo Label Selection Using
P-classification [9.080472817672264]
不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。
このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。
5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-07-20T07:08:05Z) - Using uncertainty estimation to reduce false positives in liver lesion
detection [4.031488224570999]
本稿では,ニューラルネットワーク予測の不確実性マップから抽出した特徴を学習したSVM分類器を用いて,ニューラルネットワークによる偽陽性検出を減らす手法を提案する。
我々は、0.5のドロップアウトレートの使用は、ニューラルネットワークの予測で偽陽性の最小数を生成することを発見しました。
論文 参考訳（メタデータ） (2021-01-12T10:26:41Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z) - Learning with Out-of-Distribution Data for Audio Classification [60.48251022280506]
我々は,OODインスタンスを破棄するよりも,特定のOODインスタンスを検出・復号化することで,学習に肯定的な影響を及ぼすことを示す。
提案手法は,畳み込みニューラルネットワークの性能を著しく向上させる。
論文 参考訳（メタデータ） (2020-02-11T21:08:06Z) - Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。
提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
論文 参考訳（メタデータ） (2020-02-11T20:49:34Z)
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。