論文の概要: Generalizing Nucleus Recognition Model in Multi-source Images via
Pruning
- arxiv url: http://arxiv.org/abs/2107.02500v1
- Date: Tue, 6 Jul 2021 09:36:34 GMT
- ステータス: 処理完了
- システム内更新日: 2021-07-07 13:46:59.390815
- Title: Generalizing Nucleus Recognition Model in Multi-source Images via
Pruning
- Title（参考訳）: プルーニングによるマルチソース画像における核認識モデルの一般化
- Authors: Jiatong Cai, Chenglu Zhu, Can Cui, Honglin Li, Tong Wu, Shichuan
Zhang, Lin Yang
- Abstract要約: Ki67はがんの診断と予後において重要なバイオマーカーであり、Ki67化学染色画像においてその発現を定量化することでその指標を評価することができる。
マルチソースKi67画像の定量的解析は、ドメイン間分布の違いのため、実際は難しい課題である。
本稿では、ドメインに依存しないサブネットワークを統合ドメインシナリオで探索することにより、ドメイン一般化(DG)を改善する新しい手法を提案する。
提案手法は,Ki67 IHC画像のマルチクラス核認識において,特に失われたカテゴリでは優れた性能を示す。
- 参考スコア（独自算出の注目度）: 15.35665935877394
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Ki67 is a significant biomarker in the diagnosis and prognosis of cancer,
whose index can be evaluated by quantifying its expression in Ki67
immunohistochemistry (IHC) stained images. However, quantitative analysis on
multi-source Ki67 images is yet a challenging task in practice due to
cross-domain distribution differences, which result from imaging variation,
staining styles, and lesion types. Many recent studies have made some efforts
on domain generalization (DG), whereas there are still some noteworthy
limitations. Specifically in the case of Ki67 images, learning invariant
representation is at the mercy of the insufficient number of domains and the
cell categories mismatching in different domains. In this paper, we propose a
novel method to improve DG by searching the domain-agnostic subnetwork in a
domain merging scenario. Partial model parameters are iteratively pruned
according to the domain gap, which is caused by the data converting from a
single domain into merged domains during training. In addition, the model is
optimized by fine-tuning on merged domains to eliminate the interference of
class mismatching among various domains. Furthermore, an appropriate
implementation is attained by applying the pruning method to different parts of
the framework. Compared with known DG methods, our method yields excellent
performance in multiclass nucleus recognition of Ki67 IHC images, especially in
the lost category cases. Moreover, our competitive results are also evaluated
on the public dataset over the state-of-the-art DG methods.
- Abstract（参考訳）: Ki67はがんの診断と予後において重要なバイオマーカーであり、Ki67免疫組織化学(IHC)染色画像においてその発現を定量化することでその指標を評価することができる。
しかし,マルチソースki67画像の定量的解析は,画像のばらつき,染色様式,病変型などによるクロスドメイン分布の違いから,実際には困難な課題である。
最近の多くの研究はドメイン一般化(DG)にいくつかの取り組みを行っているが、それでも注目すべき制限がある。
具体的には、Ki67画像の場合、学習不変表現は、ドメインの不足と異なるドメインでミスマッチする細胞カテゴリの助けになる。
本稿ではドメインに依存しないサブネットワークをドメインマージシナリオで検索することでDGを改善する新しい手法を提案する。
部分モデルパラメータは、トレーニング中に単一のドメインからマージされたドメインへのデータ変換によって引き起こされるドメインギャップに従って反復的にプラニングされる。
さらに、様々なドメイン間のクラスミスマッチの干渉をなくすため、マージされたドメインの微調整によってモデルを最適化する。
さらに、フレームワークの異なる部分にプルーニング法を適用することにより、適切な実装を実現する。
既知のDG法と比較して,Ki67 IHC画像のマルチクラス核認識において,特に失われたカテゴリでは優れた性能を示す。
さらに, 最先端DG法に対する公開データセット上での競争結果も評価した。
関連論文リスト
- Grounding Stylistic Domain Generalization with Quantitative Domain Shift Measures and Synthetic Scene Images [63.58800688320182]
ドメインの一般化は機械学習において難しい課題である。
現在の方法論は、スタイリスティック領域におけるシフトに関する定量的な理解を欠いている。
これらのリスクに対処する新しいDGパラダイムを導入する。
論文 参考訳（メタデータ） (2024-05-24T22:13:31Z) - AGMDT: Virtual Staining of Renal Histology Images with Adjacency-Guided
Multi-Domain Transfer [9.8359439975283]
画素レベルのアライメントを回避し,画像の他の領域への変換を行う新しい仮想染色フレームワーク AGMDT を提案する。
提案するフレームワーク AGMDT は,球状率検出と二部グラフマッチングにより,複数ドメインのシリアルスライスにまたがるパッチレベルのアライメントペアを検出する。
実験の結果,提案したAGMDTは,高精度な画素レベルのアライメントと未ペアドメイン転送とのバランスが良好であることがわかった。
論文 参考訳（メタデータ） (2023-09-12T17:37:56Z) - Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。
本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
論文 参考訳（メタデータ） (2023-09-03T16:02:01Z) - Robust Domain Adaptive Object Detection with Unified Multi-Granularity Alignment [59.831917206058435]
ドメイン適応検出は、ターゲットドメイン上の検出器の一般化を改善することを目的としている。
近年のアプローチは、異なる粒度の特徴アライメントを通じて、逆学習を通じてドメイン適応を実現する。
ドメイン不変な特徴学習のための統合多重粒度アライメント(MGA)に基づく検出フレームワークを提案する。
論文 参考訳（メタデータ） (2023-01-01T08:38:07Z) - Reducing Domain Gap in Frequency and Spatial domain for Cross-modality
Domain Adaptation on Medical Image Segmentation [5.371816551086118]
教師なしドメイン適応(UDA)は、ソースドメインで訓練されたモデルを学び、ラベルなしのターゲットドメインでうまく機能することを目的としています。
本稿では, 周波数及び空間領域移動Uner Multi-Teacher蒸留フレームワークに基づく, 単純かつ効果的なUDA法を提案する。
提案手法は最先端手法と比較して優れた性能を実現する。
論文 参考訳（メタデータ） (2022-11-28T11:35:39Z) - 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) - Multi-Scale Multi-Target Domain Adaptation for Angle Closure
Classification [50.658613573816254]
角度閉包分類のためのM2DAN(Multi-scale Multi-target Domain Adversarial Network)を提案する。
異なるスケールでのこれらのドメイン不変性に基づいて、ソースドメインで訓練されたディープモデルは、複数のターゲットドメインの角度クロージャを分類することができる。
論文 参考訳（メタデータ） (2022-08-25T15:27:55Z) - Single-domain Generalization in Medical Image Segmentation via Test-time
Adaptation from Shape Dictionary [64.5632303184502]
ドメインの一般化は通常、モデル学習のために複数のソースドメインからのデータを必要とする。
本稿では,1つのソースドメインのみで最悪のシナリオ下でモデルを学習し,異なる未確認対象ドメインに直接一般化する,重要な単一ドメインの一般化問題について考察する。
本稿では,領域間で不変なセグメンテーションのセグメンテーション先情報を抽出し,統合する医用画像セグメンテーションにおいて,この問題に対処する新しいアプローチを提案する。
論文 参考訳（メタデータ） (2022-06-29T08:46:27Z) - Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs
For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。
分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。
実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文 参考訳（メタデータ） (2022-06-27T09:02:16Z) - Contrastive Domain Disentanglement for Generalizable Medical Image
Segmentation [12.863227646939563]
本稿では,一般的な医用画像分割のためのコントラストディスタングル・ドメイン(CDD)ネットワークを提案する。
まず、医用画像を解剖学的表現因子とモダリティ表現因子に分解する不整合ネットワークを導入する。
次に、モデル一般化学習のための新しい領域をランダムに生成できる領域拡張戦略を提案する。
論文 参考訳（メタデータ） (2022-05-13T10:32:41Z)
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。