論文の概要: MetaHistoSeg: A Python Framework for Meta Learning in Histopathology
Image Segmentation
- arxiv url: http://arxiv.org/abs/2109.14754v1
- Date: Wed, 29 Sep 2021 23:05:04 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-02 06:36:15.638190
- Title: MetaHistoSeg: A Python Framework for Meta Learning in Histopathology
Image Segmentation
- Title（参考訳）: MetaHistoSeg: 病理画像セグメンテーションにおけるメタ学習のためのPythonフレームワーク
- Authors: Zheng Yuan, Andre Esteva, Ran Xu
- Abstract要約: MetaHistoSegはメタ学習とインスタンスベースのトランスファー学習の両方でユニークなシナリオを実装するPythonフレームワークです。
また、さまざまながんタイプのアウト・オブ・ディストリビューションパフォーマンスに関するモデルをトレーニングし、検証するためのベンチマークデータセットである、病理組織学的メタデータセットもキュレートします。
実験では、メタデータセットでMetaHistoSegの使用例を示し、メタ学習とインスタンスベースのトランスファー学習の両方が平均的に同等の結果をもたらすことを発見した。
- 参考スコア（独自算出の注目度）: 3.738450972771192
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot learning is a standard practice in most deep learning based
histopathology image segmentation, given the relatively low number of digitized
slides that are generally available. While many models have been developed for
domain specific histopathology image segmentation, cross-domain generalization
remains a key challenge for properly validating models. Here, tooling and
datasets to benchmark model performance across histopathological domains are
lacking. To address this limitation, we introduce MetaHistoSeg - a Python
framework that implements unique scenarios in both meta learning and instance
based transfer learning. Designed for easy extension to customized datasets and
task sampling schemes, the framework empowers researchers with the ability of
rapid model design and experimentation. We also curate a histopathology meta
dataset - a benchmark dataset for training and validating models on
out-of-distribution performance across a range of cancer types. In experiments
we showcase the usage of MetaHistoSeg with the meta dataset and find that both
meta-learning and instance based transfer learning deliver comparable results
on average, but in some cases tasks can greatly benefit from one over the
other.
- Abstract（参考訳）: デジタル化されたスライドの数が比較的少ないことを考えると、ほとんど深層学習に基づく病理画像のセグメンテーションにおいて、ショットラーニングは標準的なプラクティスである。
領域特異的な病理像分割のために多くのモデルが開発されてきたが、ドメイン間一般化はモデルを適切に検証する上で重要な課題である。
ここでは、組織学的領域にわたるモデルパフォーマンスをベンチマークするツールとデータセットが不足している。
この制限に対処するため、メタ学習とインスタンスベースのトランスファー学習の両方でユニークなシナリオを実装するPythonフレームワークであるMetaHistoSegを紹介します。
カスタマイズされたデータセットとタスクサンプリングスキームを簡単に拡張できるように設計されたこのフレームワークは、研究者に迅速なモデル設計と実験の能力を与える。
組織病理メタデータセット(histopathology meta dataset)は、さまざまながんタイプのアウトオブディストリビューションパフォーマンスのモデルをトレーニングし、検証するためのベンチマークデータセットです。
実験では、メタデータセットでのmetahistosegの使用例を示し、メタラーニングとインスタンスベースのトランスファーラーニングの両方が平均で同等の結果を提供するが、場合によってはタスクが互いに大きな利益をもたらす可能性があることを見出した。
関連論文リスト
- Meta-Learners for Few-Shot Weakly-Supervised Medical Image Segmentation [2.781492199939609]
医用画像領域における弱教師付きセグメンテーションのための汎用メタラーニングフレームワークを提案する。
画像分割に適応したメタラーナーの比較分析を行った。
論文 参考訳（メタデータ） (2023-05-11T15:57:45Z) - Stacking Ensemble Learning in Deep Domain Adaptation for Ophthalmic
Image Classification [61.656149405657246]
ドメイン適応は、十分なラベルデータを取得することが困難な画像分類タスクに有効である。
本稿では,3つのドメイン適応手法を拡張することで,アンサンブル学習を積み重ねるための新しい手法SELDAを提案する。
Age-Related Eye Disease Study (AREDS)ベンチマーク眼科データセットを用いた実験結果から,提案モデルの有効性が示された。
論文 参考訳（メタデータ） (2022-09-27T14:19:00Z) - Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based
Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。
我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。
時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文 参考訳（メタデータ） (2022-07-17T07:05:39Z) - Evaluating histopathology transfer learning with ChampKit [5.099924854569777]
病理組織学は様々ながんの診断における金の基準である。
近年のコンピュータビジョンの進歩、特に深層学習は、病理画像の解析に役立っている。
各タスクの最先端技術は、ImageNet上のイメージ分類のために事前訓練されたベースアーキテクチャを使用することが多い。
論文 参考訳（メタデータ） (2022-06-14T14:00:17Z) - Few-shot segmentation of medical images based on meta-learning with
implicit gradients [0.48861336570452174]
医用画像セグメンテーションのための数ショット設定において,最適化に基づく暗黙的メタ学習iMAMLアルゴリズムを活用することを提案する。
このアプローチでは、さまざまなトレーニングサンプルから学んだ重みを活用でき、新しい未知のデータセットにデプロイすることができます。
論文 参考訳（メタデータ） (2021-06-06T19:52:06Z) - Meta-learning One-class Classifiers with Eigenvalue Solvers for
Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。
提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文 参考訳（メタデータ） (2021-03-01T01:43:04Z) - Few-shot Classification via Adaptive Attention [93.06105498633492]
ごく少数の参照サンプルに基づいて,クエリサンプル表現を最適化し,高速に適応する新しい数ショット学習手法を提案する。
実験で実証したように,提案モデルでは,様々なベンチマーク数ショット分類と微粒化認識データセットを用いて,最先端の分類結果を達成している。
論文 参考訳（メタデータ） (2020-08-06T05:52:59Z) - Shape-aware Meta-learning for Generalizing Prostate MRI Segmentation to
Unseen Domains [68.73614619875814]
前立腺MRIのセグメント化におけるモデル一般化を改善するために,新しい形状認識メタラーニング手法を提案する。
実験結果から,本手法は未確認領域の6つの設定すべてにおいて,最先端の一般化手法を一貫して上回っていることが明らかとなった。
論文 参考訳（メタデータ） (2020-07-04T07:56:02Z) - Predicting Scores of Medical Imaging Segmentation Methods with
Meta-Learning [0.30458514384586394]
異なる臓器とモダリティの10つのデータセットにまたがるセグメンテーションのメタラーニングについて検討した。
我々は,メタ機能と先行モデルの性能の関係を学習するために,ベクトル回帰とディープニューラルネットワークをサポートする。
これらの結果は,医療画像におけるメタラーニングの可能性を示している。
論文 参考訳（メタデータ） (2020-05-08T07:47:52Z) - Multi-task pre-training of deep neural networks for digital pathology [8.74883469030132]
私たちはまず、多くのデジタル病理データセットを22の分類タスクと約900kの画像のプールに組み立て、変換しました。
特徴抽出器として使用されるモデルは、ImageNet事前訓練されたモデルよりも大幅に改善されるか、同等のパフォーマンスを提供するかを示す。
論文 参考訳（メタデータ） (2020-05-05T08:50:17Z) - Incremental Meta-Learning via Indirect Discriminant Alignment [118.61152684795178]
メタ学習のメタ学習段階において,段階的な学習の概念を発達させる。
我々のアプローチは、完全なメタトレーニングセットでモデルをトレーニングするのと比べて、テスト時に好適に機能する。
論文 参考訳（メタデータ） (2020-02-11T01:39:12Z)
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。