論文の概要: Domain Adversarial RetinaNet as a Reference Algorithm for the MItosis DOmain Generalization (MIDOG) Challenge

• arxiv url: http://arxiv.org/abs/2108.11269v1
• Date: Wed, 25 Aug 2021 14:49:11 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-26 12:55:08.479880
• Title: Domain Adversarial RetinaNet as a Reference Algorithm for the MItosis DOmain Generalization (MIDOG) Challenge
• Title（参考訳）: Mitosis DOmain Generalization (MIDOG) のための参照アルゴリズムとしてのDomain Adversarial RetinaNet
• Authors: Frauke Wilm, Katharina Breininger, Marc Aubreville
• Abstract要約: Mitosis DOmain Generalization Challengeは、有糸分裂図形検出のタスクに対するこの特定の領域シフトに焦点を当てている。 本研究は,ドメイン逆数学習に基づく,課題のベースラインとして開発された有理数検出アルゴリズムを提案する。
• 参考スコア（独自算出の注目度）: 1.4732811715354452
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Assessing the Mitotic Count has a known high degree of intra- and inter-rater variability. Computer-aided systems have proven to decrease this variability and reduce labelling time. These systems, however, are generally highly dependent on their training domain and show poor applicability to unseen domains. In histopathology, these domain shifts can result from various sources, including different slide scanning systems used to digitize histologic samples. The MItosis DOmain Generalization challenge focuses on this specific domain shift for the task of mitotic figure detection. This work presents a mitotic figure detection algorithm developed as a baseline for the challenge, based on domain adversarial training. On the preliminary test set, the algorithm scores an F$_1$ score of 0.7514.
• Abstract（参考訳）: 有糸分裂数の評価は、高い内的・内的変動性を有することが知られている。 コンピュータ支援システムは、このばらつきを減らし、ラベル付け時間を短縮することが証明されている。 しかし、これらのシステムは一般的に訓練領域に大きく依存しており、見えない領域に適用性が低い。 病理組織学では、これらの領域シフトは、組織サンプルのデジタル化に用いられる異なるスライドスキャンシステムを含む、様々なソースから生じる可能性がある。 Mitosis DOmain Generalization Challengeは、有糸分裂図形検出のタスクに対するこの特定の領域シフトに焦点を当てている。 本研究は,ドメイン・アドバーサリアン・トレーニングに基づいて,課題のベースラインとして開発された模倣図形検出アルゴリズムを提案する。 予備テストセットでは、アルゴリズムはf$_1$スコアを0.7514とする。

関連論文リスト

• Domain generalization across tumor types, laboratories, and species -- insights from the 2022 edition of the Mitosis Domain Generalization Challenge [15.965814632791504]
  病理組織学的腫瘍標本における有糸分裂像の認識は,患者の予後評価に極めて関連している。 この研究は、課題タスク、参加者が採用する戦略、そしてその成功に寄与する潜在的な要因の概要を示している。
  論文  参考訳（メタデータ） (2023-09-27T11:44:58Z)
• 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)
• Context-aware Domain Adaptation for Time Series Anomaly Detection [69.3488037353497]
  時系列異常検出は、幅広い現実世界の応用において難しい課題である。 近年,類似分野の知識を活用するため,時系列領域適応への取り組みが進められている。 本研究では,コンテキストサンプリングと異常検出を併用した共同学習手法を提案する。
  論文  参考訳（メタデータ） (2023-04-15T02:28:58Z)
• 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)
• Mitosis domain generalization in histopathology images -- The MIDOG challenge [12.69088811541426]
  病理学者による有糸分裂像の認識は、強い層間バイアスを受けており、予後の値が制限される。 最先端のディープラーニング手法は、この評価のエキスパートを支援することができるが、トレーニングに使われたものとは異なる臨床環境に適用した場合、非常に劣化することが知られている。 MICCAI MIDOG 2021の課題は、スキャナ非依存性ミトーシス検出アルゴリズムを導出する手法の提案と評価である。
  論文  参考訳（メタデータ） (2022-04-06T11:43:10Z)
• Robust Multi-Domain Mitosis Detection [0.0]
  未ペア画像から画像翻訳(CycleGAN)による対象特徴空間の学習 本研究は,MIDOGチャレンジのベースラインとして開発された,シンプルだが効果的な多段階的図形検出アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2021-09-13T06:25:15Z)
• MitoDet: Simple and robust mitosis detection [0.31498833540989407]
  ドメインシフトの重要なソースは、異なる顕微鏡とそのカメラシステムによって導入され、デジタル化された画像の色表現が顕著に変化する。 このアルゴリズムは,強いデータ拡張を訓練したRetinaNetを用いて,予備テストセットで0.7138のF1スコアを達成している。
  論文  参考訳（メタデータ） (2021-09-02T17:19:08Z)
• Unsupervised Domain Adaptation for Retinal Vessel Segmentation with Adversarial Learning and Transfer Normalization [22.186070895966022]
  本稿では,ソースドメインとターゲットドメイン間の分布差を低減するために,エントロピーに基づく逆学習戦略を提案する。 ディープネットワークの転送性をさらに向上するために,新しい転送正規化層を提案する。 我々の手法は、他の最先端手法と比較して大きな性能向上をもたらす。
  論文  参考訳（メタデータ） (2021-08-04T02:45:37Z)
• Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
  我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。 私たちのアプローチは既存のドメイン戦略よりも優れています。
  論文  参考訳（メタデータ） (2021-07-20T09:44:07Z)
• A Bit More Bayesian: Domain-Invariant Learning with Uncertainty [111.22588110362705]
  ドメインの一般化は、ドメインシフトと、ターゲットドメインデータのアクセス不能に起因する不確実性のために困難である。 本稿では,変分ベイズ推定に基づく確率的枠組みを用いて,両課題に対処する。 2層ベイズ型ニューラルネットワークで共同で確立されたドメイン不変表現と分類器を導出する。
  論文  参考訳（メタデータ） (2021-05-09T21:33:27Z)
• VerSe: A Vertebrae Labelling and Segmentation Benchmark for Multi-detector CT Images [121.31355003451152]
  大規模Vertebrae Challenge(VerSe)は、2019年と2020年に開催されたMICCAI(International Conference on Medical Image Computing and Computer Assisted Intervention)と共同で設立された。 本評価の結果を報告するとともに,脊椎レベル,スキャンレベル,および異なる視野での性能変化について検討した。
  論文  参考訳（メタデータ） (2020-01-24T21:09:18Z)

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。