論文の概要: Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images

• arxiv url: http://arxiv.org/abs/2109.10778v1
• Date: Wed, 22 Sep 2021 15:06:06 GMT
• ステータス: 処理完了
• システム内更新日: 2021-09-23 13:53:18.314206
• Title: Label Cleaning Multiple Instance Learning: Refining Coarse Annotations on Single Whole-Slide Images
• Title（参考訳）: ラベルクリーニング 複数インスタンス学習:単一スライダー画像における粗いアノテーションの洗練
• Authors: Zhenzhen Wang, Aleksander S. Popel, Jeremias Sulam
• Abstract要約: 病理検体の全スライディング画像(WSI)における癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズムの開発において重要な役割を担っている。 本稿では,外部トレーニングデータを必要とせず,単一のWSI上で粗いアノテーションを洗練するためのLC-MIL (Label Cleaning Multiple Instance Learning) を提案する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも,最先端の代替品よりも優れていた。
• 参考スコア（独自算出の注目度）: 83.7047542725469
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Annotating cancerous regions in whole-slide images (WSIs) of pathology samples plays a critical role in clinical diagnosis, biomedical research, and machine learning algorithms development. However, generating exhaustive and accurate annotations is labor-intensive, challenging, and costly. Drawing only coarse and approximate annotations is a much easier task, less costly, and it alleviates pathologists' workload. In this paper, we study the problem of refining these approximate annotations in digital pathology to obtain more accurate ones. Some previous works have explored obtaining machine learning models from these inaccurate annotations, but few of them tackle the refinement problem where the mislabeled regions should be explicitly identified and corrected, and all of them require a - often very large - number of training samples. We present a method, named Label Cleaning Multiple Instance Learning (LC-MIL), to refine coarse annotations on a single WSI without the need of external training data. Patches cropped from a WSI with inaccurate labels are processed jointly with a MIL framework, and a deep-attention mechanism is leveraged to discriminate mislabeled instances, mitigating their impact on the predictive model and refining the segmentation. Our experiments on a heterogeneous WSI set with breast cancer lymph node metastasis, liver cancer, and colorectal cancer samples show that LC-MIL significantly refines the coarse annotations, outperforming the state-of-the-art alternatives, even while learning from a single slide. These results demonstrate the LC-MIL is a promising, lightweight tool to provide fine-grained annotations from coarsely annotated pathology sets.
• Abstract（参考訳）: 病理サンプルの全スライディング画像(WSI)中の癌領域のアノテーションは、臨床診断、生医学研究、機械学習アルゴリズム開発において重要な役割を果たす。 しかし、徹底的で正確なアノテーションの生成は、労働集約的で、挑戦的で、コストがかかる。 粗末で近似的なアノテーションだけを描くのはずっと簡単で、コストも安く、病理学者の作業負荷を軽減します。 本稿では,これらの近似注釈をデジタル病理学で精錬し,より正確な注釈を得る問題について検討する。 以前の研究では、これらの不正確なアノテーションから機械学習モデルを取得することを検討しているが、誤ったラベルされた領域を明示的に識別して修正し、それらすべてに(しばしば非常に大きな)トレーニングサンプルを必要とする、リファインメント問題に取り組むものはほとんどない。 外部トレーニングデータを必要とせずに、単一のWSI上で粗いアノテーションを洗練するための、LC-MIL(Label Cleaning Multiple Instance Learning)という手法を提案する。 不正確なラベルを持つWSIから採取したパッチは、MILフレームワークと共に処理され、深い注意機構を利用して、誤ラベルされたインスタンスを識別し、予測モデルへの影響を軽減し、セグメンテーションを精査する。 乳癌リンパ節転移,肝癌,大腸癌の検体を併用した異種 WSI 実験の結果,LC-MIL は粗いアノテーションを著しく改善し,単一スライドから学習しながらも最先端の代替品よりも優れていた。 これらの結果は,LC-MILが粗い注釈付き病理セットから微細なアノテーションを提供するための,有望で軽量なツールであることを示す。

関連論文リスト

• Semi- and Weakly-Supervised Learning for Mammogram Mass Segmentation with Limited Annotations [49.33388736227072]
  本稿では,マスセグメンテーションのための半弱教師付き学習フレームワークを提案する。 良好な性能を得るために, 限られた強ラベルのサンプルと十分な弱ラベルのサンプルを用いる。 CBIS-DDSMおよびINbreastデータセットを用いた実験により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2024-03-14T12:05:25Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Improving Multiple Sclerosis Lesion Segmentation Across Clinical Sites: A Federated Learning Approach with Noise-Resilient Training [75.40980802817349]
  深層学習モデルは、自動的にMS病変を分節する約束を示しているが、正確な注釈付きデータの不足は、この分野の進歩を妨げている。 我々は,MS病変の不均衡分布とファジィ境界を考慮したDecoupled Hard Label Correction(DHLC)戦略を導入する。 また,集約型中央モデルを利用したCELC(Centrally Enhanced Label Correction)戦略も導入した。
  論文  参考訳（メタデータ） (2023-08-31T00:36:10Z)
• Active Learning Enhances Classification of Histopathology Whole Slide Images with Attention-based Multiple Instance Learning [48.02011627390706]
  我々は、注意に基づくMILをトレーニングし、データセット内の各画像に対する信頼度を算出し、専門家のアノテーションに対して最も不確実なWSIを選択する。 新たな注意誘導損失により、各クラスにアノテートされた領域がほとんどない、トレーニングされたモデルの精度が向上する。 将来的には、病理組織学における癌分類の臨床的に関連する文脈において、MILモデルのトレーニングに重要な貢献をする可能性がある。
  論文  参考訳（メタデータ） (2023-03-02T15:18:58Z)
• Self-Supervised Equivariant Regularization Reconciles Multiple Instance Learning: Joint Referable Diabetic Retinopathy Classification and Lesion Segmentation [3.1671604920729224]
  病変の出現は、糖尿病網膜症(rDR)と非参照性DRを区別する重要な手がかりである。 既存の大規模DRデータセットの多くは、ピクセルベースのアノテーションではなく、画像レベルのラベルのみを含む。 本稿では,自己教師付き同変学習と注目型マルチインスタンス学習を活用し,この問題に対処する。 我々はEyepacsデータセット上で広範囲な検証実験を行い、0.958の受信器動作特性曲線(AU ROC)の領域を達成し、現在の最先端アルゴリズムより優れている。
  論文  参考訳（メタデータ） (2022-10-12T06:26:05Z)
• Weakly Supervised Medical Image Segmentation With Soft Labels and Noise Robust Loss [0.16490701092527607]
  ディープラーニングモデルのトレーニングには、エキスパートラベル付きアノテーションを備えた大規模なデータセットが一般的に必要である。 不正確なセグメンテーションラベルで訓練されたディープラーニングモデルを用いた画像ベースの医療診断ツールは、誤診断や治療提案につながる可能性がある。 本研究の目的は, マルチラターアノテーションとMRIにおける病変の特徴の解剖学的知識に基づいて, 確率ラベルを生成する手法を開発し, 評価することである。
  論文  参考訳（メタデータ） (2022-09-16T21:07:59Z)
• Weakly-Supervised Cross-Domain Adaptation for Endoscopic Lesions Segmentation [79.58311369297635]
  異なるデータセットにまたがるトランスファー可能なドメイン不変知識を探索できる,新しい弱い教師付き病巣移動フレームワークを提案する。 wasserstein quantified transferability frameworkは、広い範囲の転送可能なコンテキスト依存性を強調するために開発されている。 新規な自己監督型擬似ラベル生成器は、送信困難かつ転送容易なターゲットサンプルの両方に対して、確実な擬似ピクセルラベルを等しく提供するように設計されている。
  論文  参考訳（メタデータ） (2020-12-08T02:26:03Z)
• Learning Image Labels On-the-fly for Training Robust Classification Models [13.669654965671604]
  ノイズの多いアノテーション(例えば、異なるアルゴリズムベースのラベル付け子から)を一緒に利用し、相互に分類タスクの学習に役立てることができるかを示す。 メタトレーニングベースのラベルサンプリングモジュールは、追加のバックプロパゲーションプロセスを通じてモデル学習の恩恵を受けるラベルに出席するように設計されている。
  論文  参考訳（メタデータ） (2020-09-22T05:38:44Z)
• Renal Cell Carcinoma Detection and Subtyping with Minimal Point-Based Annotation in Whole-Slide Images [3.488702792183152]
  全スライド画像からラベルのないデータを取得するのは、ずっと簡単かつ安価です。 半教師付き学習(SSL)は、ラベルのないデータを利用する効果的な方法である。 癌領域を正確に検出するためにSSL方式を用いるフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-12T14:12:07Z)

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。