論文の概要: Automated Human Cell Classification in Sparse Datasets using Few-Shot Learning

• arxiv url: http://arxiv.org/abs/2107.13093v1
• Date: Tue, 27 Jul 2021 22:26:08 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-29 14:11:40.407863
• Title: Automated Human Cell Classification in Sparse Datasets using Few-Shot Learning
• Title（参考訳）: マイズショット学習を用いたスパースデータセットにおける自動ヒト細胞分類
• Authors: Reece Walsh, Mohamed H. Abdelpakey, Mohamed S. Shehata, Mostafa M.Mohamed
• Abstract要約: 本研究は, 数発の学習技術を用いて, 正確な訓練のためのデータ要求を軽減することの実現可能性について検討する。 その結果、医学的でないデータセットから医学的データセットに移行する際に、総合的に最先端技術のテスト精度が少なくとも30%低下したことが示唆された。
• 参考スコア（独自算出の注目度）: 10.345121663534313
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classifying and analyzing human cells is a lengthy procedure, often involving a trained professional. In an attempt to expedite this process, an active area of research involves automating cell classification through use of deep learning-based techniques. In practice, a large amount of data is required to accurately train these deep learning models. However, due to the sparse human cell datasets currently available, the performance of these models is typically low. This study investigates the feasibility of using few-shot learning-based techniques to mitigate the data requirements for accurate training. The study is comprised of three parts: First, current state-of-the-art few-shot learning techniques are evaluated on human cell classification. The selected techniques are trained on a non-medical dataset and then tested on two out-of-domain, human cell datasets. The results indicate that, overall, the test accuracy of state-of-the-art techniques decreased by at least 30% when transitioning from a non-medical dataset to a medical dataset. Second, this study evaluates the potential benefits, if any, to varying the backbone architecture and training schemes in current state-of-the-art few-shot learning techniques when used in human cell classification. Even with these variations, the overall test accuracy decreased from 88.66% on non-medical datasets to 44.13% at best on the medical datasets. Third, this study presents future directions for using few-shot learning in human cell classification. In general, few-shot learning in its current state performs poorly on human cell classification. The study proves that attempts to modify existing network architectures are not effective and concludes that future research effort should be focused on improving robustness towards out-of-domain testing using optimization-based or self-supervised few-shot learning techniques.
• Abstract（参考訳）: 人間の細胞を分類し分析することは長い手順であり、しばしば訓練された専門家を伴う。 このプロセスの迅速化を目的として、深層学習技術を用いて細胞分類を自動化する研究領域が活発に行われている。 実際、これらのディープラーニングモデルを正確にトレーニングするには大量のデータが必要である。 しかし、現在利用可能なヒトの細胞データセットが乏しいため、これらのモデルの性能は一般的に低い。 本研究は, 数発の学習技術を用いて, 正確な訓練のためのデータ要求を軽減することの実現可能性について検討する。 この研究は3つの部分から構成される: 第一に、人間の細胞分類に基づいて、最先端の数発の学習技術を評価する。 選択されたテクニックは、非医療的なデータセットでトレーニングされ、2つのドメイン外のヒト細胞データセットでテストされる。 その結果,医学的でないデータセットから医学的データセットに移行すると,最先端技術のテスト精度が少なくとも30%低下した。 第二に、ヒトの細胞分類における最先端の少数ショット学習技術において、バックボーンアーキテクチャとトレーニングスキームを変更することによる潜在的な利点を評価する。 これらの変動にもかかわらず、テスト全体の精度は非医療データセットの88.66%から医療データセットの44.13%に低下した。 第3に,ヒト細胞分類における少数ショット学習の今後の方向性を示す。 一般に、現在の状態での少数ショット学習はヒトの細胞分類にはあまり影響を与えない。 この研究は、既存のネットワークアーキテクチャを修正しようとする試みは効果がないことを証明し、将来の研究は、最適化ベースまたは自己教師型少ショット学習技術を用いたドメイン外テストへの堅牢性向上に重点を置くべきであると結論付けている。

関連論文リスト

• Data Efficient Contrastive Learning in Histopathology using Active Sampling [0.0]
  ディープラーニングアルゴリズムは、デジタル病理学において堅牢な定量的分析を提供することができる。 これらのアルゴリズムは大量の注釈付きトレーニングデータを必要とする。 アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。 そこで本研究では,小規模なプロキシネットワークを用いたトレーニングセットから情報的メンバを積極的に抽出する手法を提案する。
  論文  参考訳（メタデータ） (2023-03-28T18:51:22Z)
• Continual Learning with Bayesian Model based on a Fixed Pre-trained Feature Extractor [55.9023096444383]
  現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。 人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
  論文  参考訳（メタデータ） (2022-04-28T08:41:51Z)
• LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
  MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。 タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。 クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
  論文  参考訳（メタデータ） (2022-04-12T12:25:05Z)
• BERT WEAVER: Using WEight AVERaging to enable lifelong learning for transformer-based models in biomedical semantic search engines [49.75878234192369]
  We present WEAVER, a simple, yet efficient post-processing method that infuse old knowledge into the new model。 WEAVERを逐次的に適用すると、同じ単語の埋め込み分布が、一度にすべてのデータに対する総合的なトレーニングとして得られることを示す。
  論文  参考訳（メタデータ） (2022-02-21T10:34:41Z)
• Human-in-the-Loop Disinformation Detection: Stance, Sentiment, or Something Else? [93.91375268580806]
  政治とパンデミックは、機械学習対応の偽ニュース検出アルゴリズムの開発に十分な動機を与えている。 既存の文献は、主に完全自動化されたケースに焦点を当てているが、その結果得られた技術は、軍事応用に必要な様々なトピック、ソース、時間スケールに関する偽情報を確実に検出することはできない。 既に利用可能なアナリストを人間のループとして活用することにより、感情分析、アスペクトベースの感情分析、姿勢検出といった標準的な機械学習技術は、部分的に自動化された偽情報検出システムに使用するためのもっとも有効な方法となる。
  論文  参考訳（メタデータ） (2021-11-09T13:30:34Z)
• Pathological Analysis of Blood Cells Using Deep Learning Techniques [0.0]
  血液細胞像を様々なカテゴリに分類するニューラルネットワークが提案されている。 提案したモデルの性能は、既存の標準アーキテクチャよりも優れており、様々な研究者によってなされている。
  論文  参考訳（メタデータ） (2021-11-05T05:37:10Z)
• Classification of anomalous gait using Machine Learning techniques and embedded sensors [0.0]
  従来の臨床インフラを整備し、人間の歩行検査を行えるようにするために、高い投資が求められていることが知られている。 本研究は、3D加速度計と3Dジャイロスコープ測定を取得するために、ウェアラブルデバイスで構成されるアクセス可能で現代的なソリューションを提案する。
  論文  参考訳（メタデータ） (2021-10-08T21:58:00Z)
• Ensemble of CNN classifiers using Sugeno Fuzzy Integral Technique for Cervical Cytology Image Classification [1.6986898305640261]
  頸がんの単細胞画像とスライド画像の分類を完全自動化するコンピュータ支援診断ツールを提案する。 我々は、Sugeno Fuzzy Integralを使用して、Inception v3、DenseNet-161、ResNet-34という3つの人気のあるディープラーニングモデルの意思決定スコアをアンサンブルする。
  論文  参考訳（メタデータ） (2021-08-21T08:41:41Z)
• Analysis of Vision-based Abnormal Red Blood Cell Classification [1.6050172226234583]
  赤血球(RBC)の異常の同定は、貧血から肝疾患まで幅広い医学的疾患を診断する鍵となる。 本稿では,機械学習の利点を利用したセル異常検出のキャパシティ向上と標準化を目的とした自動化プロセスを提案する。
  論文  参考訳（メタデータ） (2021-06-01T10:52:41Z)
• Towards an Automatic Analysis of CHO-K1 Suspension Growth in Microfluidic Single-cell Cultivation [63.94623495501023]
  我々は、人間の力で抽象化されたニューラルネットワークをデータレベルで注入できる新しい機械学習アーキテクチャを提案する。 具体的には、自然データと合成データに基づいて生成モデルを同時に訓練し、細胞数などの対象変数を確実に推定できる共有表現を学習する。
  論文  参考訳（メタデータ） (2020-10-20T08:36:51Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。