論文の概要: Rotation Invariance and Extensive Data Augmentation: a strategy for the
Mitosis Domain Generalization (MIDOG) Challenge
- arxiv url: http://arxiv.org/abs/2109.00823v1
- Date: Thu, 2 Sep 2021 10:09:02 GMT
- ステータス: 処理完了
- システム内更新日: 2021-09-03 13:53:28.033349
- Title: Rotation Invariance and Extensive Data Augmentation: a strategy for the
Mitosis Domain Generalization (MIDOG) Challenge
- Title（参考訳）: 回転不変性と広範囲データ拡張:mitosis domain generalization (midog)チャレンジのための戦略
- Authors: Maxime W. Lafarge and Viktor H. Koelzer
- Abstract要約: 我々は,MIDOG 2021コンペティションに参加するための戦略を提示する。
このコンペティションの目的は、目に見えないターゲットスキャナーで取得した画像に対する解の一般化を評価することである。
本稿では,最先端のディープラーニング手法の組み合わせに基づく解を提案する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Automated detection of mitotic figures in histopathology images is a
challenging task: here, we present the different steps that describe the
strategy we applied to participate in the MIDOG 2021 competition. The purpose
of the competition was to evaluate the generalization of solutions to images
acquired with unseen target scanners (hidden for the participants) under the
constraint of using training data from a limited set of four independent source
scanners. Given this goal and constraints, we joined the challenge by proposing
a straight-forward solution based on a combination of state-of-the-art deep
learning methods with the aim of yielding robustness to possible
scanner-related distributional shifts at inference time. Our solution combines
methods that were previously shown to be efficient for mitosis detection: hard
negative mining, extensive data augmentation, rotation-invariant convolutional
networks.
We trained five models with different splits of the provided dataset. The
subsequent classifiers produced F1-scores with a mean and standard deviation of
0.747+/-0.032 on the test splits. The resulting ensemble constitutes our
candidate algorithm: its automated evaluation on the preliminary test set of
the challenge returned a F1-score of 0.6828.
- Abstract（参考訳）: 病理組織像における有糸分裂像の自動検出は難しい課題である。ここでは、MIDOG 2021コンペティションに応用した戦略を説明する様々な手順を示す。
このコンペティションの目的は、4つの独立したソーススキャナの限られたセットからトレーニングデータを使用するという制約の下で、未確認のターゲットスキャナーで取得した画像に対する解の一般化を評価することである。
この目標と制約を踏まえて,最先端のディープラーニング手法と,可能なスキャナ関連分布シフトに対する堅牢性の実現を目的とした,ストレートフォワードソリューションを提案することで,課題に参画した。
提案手法は, 硬負のマイニング, 広範なデータ増大, 回転不変の畳み込みネットワークなど, 放射能検出に有効な方法を組み合わせる。
提供されたデータセットの分割が異なる5つのモデルをトレーニングしました。
その後の分類器はテストスプリットで平均と標準偏差0.747+/-0.032のF1スコアを生成する。
その結果得られたアンサンブルは、我々の候補アルゴリズムを構成する: チャレンジの予備テストセットに対する自動評価は0.6828のF1スコアを返す。
関連論文リスト
- Spanning Training Progress: Temporal Dual-Depth Scoring (TDDS) for Enhanced Dataset Pruning [50.809769498312434]
我々は、時間的デュアルディープス・スコーリング(TDDS)と呼ばれる新しいデータセット・プルーニング手法を提案する。
本手法は,10%のトレーニングデータで54.51%の精度を達成し,ランダム選択を7.83%以上,他の比較手法を12.69%以上上回る結果を得た。
論文 参考訳（メタデータ） (2023-11-22T03:45:30Z) - Image-level supervision and self-training for transformer-based
cross-modality tumor segmentation [2.29206349318258]
そこで本研究では,MoDATTSと呼ばれる半教師付きトレーニング戦略を提案する。
MoDATTSは、未実装のバイモーダルデータセット上の正確な3D腫瘍セグメンテーションのために設計されている。
この最大性能の99%と100%は、目標データの20%と50%が注釈付きであれば達成できると報告している。
論文 参考訳（メタデータ） (2023-09-17T11:50:12Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Tackling Diverse Minorities in Imbalanced Classification [80.78227787608714]
不均衡データセットは、様々な現実世界のアプリケーションで一般的に見られ、分類器の訓練において重要な課題が提示されている。
マイノリティクラスとマイノリティクラスの両方のデータサンプルを混合することにより、反復的に合成サンプルを生成することを提案する。
提案するフレームワークの有効性を,7つの公開ベンチマークデータセットを用いて広範な実験により実証する。
論文 参考訳（メタデータ） (2023-08-28T18:48:34Z) - DACov: A Deeper Analysis of Data Augmentation on the Computed Tomography
Segmentation Problem [0.0]
本稿では,医療画像のセグメンテーション性能向上のためのデータ拡張手法について,より深く分析する。
本稿では,GAN(Generative Adversarial Networks)に基づく新しいデータ拡張手法を提案する。
GANに基づく手法と空間レベルの変換が,この問題における深層モデルの学習を改善する上で最も有望であることを示す。
論文 参考訳（メタデータ） (2023-03-10T13:41:20Z) - Fine-Grained Hard Negative Mining: Generalizing Mitosis Detection with a
Fifth of the MIDOG 2022 Dataset [1.2183405753834562]
ミトーシス領域一般化チャレンジ2022(MIDOG)の深層学習ソリューションについて述べる。
我々のアプローチは、アグレッシブデータ拡張を用いた回転不変深層学習モデルの訓練である。
我々のモデルアンサンブルは、自動評価後の最終テストセットで.697のF1スコアを達成した。
論文 参考訳（メタデータ） (2023-01-03T13:06:44Z) - Enhancing Data Diversity for Self-training Based Unsupervised
Cross-modality Vestibular Schwannoma and Cochlea Segmentation [7.327638441664658]
教師なし領域適応設定におけるVSとcochleaセグメンテーションのアプローチを提案する。
まず、合成データの多様性を高めるために、クロスサイト・クロスモーダルな画像翻訳戦略を開発する。
そこで,ルールベースのオフライン拡張手法を考案し,ドメインギャップを最小化する。
最後に,自己学習による自己構成セグメンテーションフレームワークを採用し,最終的な結果を得た。
論文 参考訳（メタデータ） (2022-09-23T22:26:51Z) - DRFLM: Distributionally Robust Federated Learning with Inter-client
Noise via Local Mixup [58.894901088797376]
連合学習は、生データをリークすることなく、複数の組織のデータを使用してグローバルモデルをトレーニングするための有望なアプローチとして登場した。
上記の2つの課題を同時に解決するための一般的な枠組みを提案する。
我々は、ロバストネス解析、収束解析、一般化能力を含む包括的理論的解析を提供する。
論文 参考訳（メタデータ） (2022-04-16T08:08:29Z) - The Group Loss++: A deeper look into group loss for deep metric learning [65.19665861268574]
グループ損失 (Group Loss) は、グループの全サンプルに埋め込まれた類似性を強制する微分可能なラベルプロパゲーション法に基づく損失関数である。
4つのデータセットでクラスタリングと画像検索の最先端結果を示し、2人の再識別データセットで競合結果を示す。
論文 参考訳（メタデータ） (2022-04-04T14:09:58Z) - Stain-Robust Mitotic Figure Detection for the Mitosis Domain
Generalization Challenge [2.072197863131669]
Mitosis DOmain Generalization (MIDOG)の課題は、複数のスキャナーから見えないデータに対して、検出モデルの堅牢性をテストすることである。
この課題に対処するために,TAAセンターチームが採用したアプローチについて,簡単な概要を述べる。
論文 参考訳（メタデータ） (2021-09-02T11:44:42Z) - Revisiting LSTM Networks for Semi-Supervised Text Classification via
Mixed Objective Function [106.69643619725652]
我々は,単純なBiLSTMモデルであっても,クロスエントロピー損失でトレーニングした場合に,競争的な結果が得られるようなトレーニング戦略を開発する。
いくつかのベンチマークデータセット上で,テキスト分類タスクの最先端結果について報告する。
論文 参考訳（メタデータ） (2020-09-08T21:55:22Z)
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。