論文の概要: Robust Mitosis Detection Using a Cascade Mask-RCNN Approach With Domain-Specific Residual Cycle-GAN Data Augmentation

• arxiv url: http://arxiv.org/abs/2109.01878v1
• Date: Sat, 4 Sep 2021 14:37:31 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-07 16:39:16.371910
• Title: Robust Mitosis Detection Using a Cascade Mask-RCNN Approach With Domain-Specific Residual Cycle-GAN Data Augmentation
• Title（参考訳）: 領域特異的残留環-GANデータ拡張を用いたカスケードマスク-RCNN法によるロバストミトーシスの検出
• Authors: Gauthier Roy, Jules Dedieu, Capucine Bertrand, Alireza Moshayedi, Ali Mammadov, St\'ephanie Petit, Saima Ben Hadj and Rutger H.J. Fick (Tribvn Healthcare)
• Abstract要約: 我々はMIDOGミトーシス検出のためのカスケードアルゴリズムを作成する。 我々は最先端の残留サイクルGANを使用して、各スキャナドメインを他のすべてのスキャナドメインに変換する。 検出ネットワークのトレーニングには、セントロイドベースの固定サイズのバウンディングボックスを使用するのではなく、ミトーシス固有のバウンディングボックスを作成する。 課題を提示する正の例と強の例のみを用いて,フォローアップ分類アンサンブルを訓練した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: For the MIDOG mitosis detection challenge, we created a cascade algorithm consisting of a Mask-RCNN detector, followed by a classification ensemble consisting of ResNet50 and DenseNet201 to refine detected mitotic candidates. The MIDOG training data consists of 200 frames originating from four scanners, three of which are annotated for mitotic instances with centroid annotations. Our main algorithmic choices are as follows: first, to enhance the generalizability of our detector and classification networks, we use a state-of-the-art residual Cycle-GAN to transform each scanner domain to every other scanner domain. During training, we then randomly load, for each image, one of the four domains. In this way, our networks can learn from the fourth non-annotated scanner domain even if we don't have annotations for it. Second, for training the detector network, rather than using centroid-based fixed-size bounding boxes, we create mitosis-specific bounding boxes. We do this by manually annotating a small selection of mitoses, training a Mask-RCNN on this small dataset, and applying it to the rest of the data to obtain full annotations. We trained the follow-up classification ensemble using only the challenge-provided positive and hard-negative examples. On the preliminary test set, the algorithm scores an F1 score of 0.7578, putting us as the second-place team on the leaderboard.
• Abstract（参考訳）: MIDOG mitosis 検出の課題として,Mask-RCNN 検出器と ResNet50 と DenseNet201 の分類アンサンブルを用いたカスケードアルゴリズムを開発した。 MIDOGのトレーニングデータは、4つのスキャナーから派生した200フレームで構成され、そのうち3つはセントロイドアノテーションを付加したミオティックインスタンスに注釈付けされている。 まず、検出器と分類ネットワークの一般化性を高めるために、各スキャナドメインを他のスキャナドメインに変換するために最先端の残留サイクルGANを使用します。 トレーニング中、各イメージに対してランダムに4つのドメインのうちの1つをロードします。 このようにして、私たちのネットワークは、アノテーションがなくても、第4の非アノテーションスキャナドメインから学べます。 第2に,センタロイドベースの固定サイズのバウンディングボックスを使用するのではなく,検出器ネットワークをトレーニングするために,ミトーシス特有のバウンディングボックスを作成する。 私たちは、小さなミトースを手動でアノテートし、この小さなデータセットでマスクrcnnをトレーニングし、残りのデータに適用して、完全なアノテーションを取得します。 課題と難解な例のみを用いてフォローアップ分類アンサンブルを訓練した。 予備テストセットでは、アルゴリズムがF1スコアの0.7578を獲得し、リーダーボードの2位になった。

関連論文リスト

• Convolutional Neural Networks and Mixture of Experts for Intrusion Detection in 5G Networks and beyond [5.452584641316627]
  6G/NextGネットワークは、新たなセキュリティ脅威に対して脆弱になる可能性がある。 侵入検知タスクの既存の研究は、浅い機械学習分類器の列車に依存している。 悪意のあるトラフィックを特定するために,Mixture of Experts (MoE)を統合した最初の研究を行った。
  論文  参考訳（メタデータ） (2024-12-04T17:20:01Z)
• SpaRG: Sparsely Reconstructed Graphs for Generalizable fMRI Analysis [8.489318619991534]
  深層学習は、精神疾患や個人の特徴に関連する静止状態機能型磁気共鳴イメージング(rsfMRI)のパターンを明らかにするのに役立つ。 しかし、深層学習の発見を解釈する問題は、fMRIによる分析よりも明らかではない。 スパーシフィケーションと自己超越に基づくこれらの課題を緩和するための簡単なアプローチを提案する。
  論文  参考訳（メタデータ） (2024-09-24T18:35:57Z)
• Joint Neural Networks for One-shot Object Recognition and Detection [5.389851588398047]
  本稿では,一発物体の認識と検出に難渋する課題に対処する,新しい結合ニューラルネットワーク手法を提案する。 Siameseのニューラルネットワークと最先端のマルチボックス検出アプローチにインスパイアされたジョイントニューラルネットワークは、トレーニングプロセス中に見つからないカテゴリのオブジェクト認識と検出を行うことができる。 提案手法は,MiniImageNetデータセット上での1ショットオブジェクト認識における61.41%の精度と,データセット上でトレーニングしてテストした場合の1ショットオブジェクト検出における47.1%のmAPを実現する。
  論文  参考訳（メタデータ） (2024-08-01T16:48:03Z)
• 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)
• Semi-Supervised and Long-Tailed Object Detection with CascadeMatch [91.86787064083012]
  そこで我々はCascadeMatchと呼ばれる新しい擬似ラベル型検出器を提案する。 我々の検出器は、プログレッシブな信頼しきい値を持つ多段検出ヘッドを備えたカスケードネットワークアーキテクチャを備えている。 CascadeMatchは、長い尾のオブジェクト検出の処理において、既存の最先端の半教師付きアプローチを超越していることを示す。
  論文  参考訳（メタデータ） (2023-05-24T07:09:25Z)
• Semi-supervised classification using a supervised autoencoder for biomedical applications [2.578242050187029]
  私たちは、ラベルをオートエンコーダの潜在空間にエンコードするネットワークアーキテクチャを作成します。 学習したネットワークを用いて未学習のサンプルを分類する。
  論文  参考訳（メタデータ） (2022-08-22T13:51:00Z)
• Two-Stream Graph Convolutional Network for Intra-oral Scanner Image Segmentation [133.02190910009384]
  本稿では,2ストリームグラフ畳み込みネットワーク(TSGCN)を提案する。 TSGCNは3次元歯(表面)セグメンテーションにおいて最先端の方法よりも優れています。
  論文  参考訳（メタデータ） (2022-04-19T10:41:09Z)
• MD-CSDNetwork: Multi-Domain Cross Stitched Network for Deepfake Detection [80.83725644958633]
  現在のディープフェイク生成法では、偽画像やビデオの周波数スペクトルに識別的アーティファクトが残されている。 MD-CSDNetwork(MD-CSDNetwork)と呼ばれる新しい手法を提案する。
  論文  参考訳（メタデータ） (2021-09-15T14:11:53Z)
• Semi-supervised deep learning based on label propagation in a 2D embedded space [117.9296191012968]
  提案されたソリューションは、少数の教師なしイメージから多数の教師なしイメージにラベルを伝達し、ディープニューラルネットワークモデルをトレーニングする。 本稿では、より正確なラベル付きサンプルを反復してセットから深層ニューラルネットワーク(VGG-16)をトレーニングするループを提案する。 ラベル付きセットがイテレーションに沿って改善されるにつれて、ニューラルネットワークの機能が改善される。
  論文  参考訳（メタデータ） (2020-08-02T20:08:54Z)
• A Transductive Multi-Head Model for Cross-Domain Few-Shot Learning [72.30054522048553]
  本稿では,クロスドメインなFew-Shot学習問題に対処するため,TMHFS(Transductive Multi-Head Few-Shot Learning)を提案する。 提案手法は, 4つの異なる対象領域において, 強いベースライン, 微調整を著しく上回っている。
  論文  参考訳（メタデータ） (2020-06-08T02:39:59Z)

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。