論文の概要: Learning Representations with Contrastive Self-Supervised Learning for
Histopathology Applications
- arxiv url: http://arxiv.org/abs/2112.05760v1
- Date: Fri, 10 Dec 2021 16:08:57 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-18 19:44:11.602954
- Title: Learning Representations with Contrastive Self-Supervised Learning for
Histopathology Applications
- Title（参考訳）: Contrastive Self-Supervised Learningを用いた病理組織学応用のための学習表現
- Authors: Karin Stacke, Jonas Unger, Claes Lundstr\"om, Gabriel Eilertsen
- Abstract要約: コントラスト型自己教師型学習は,デジタル病理学におけるアノテーションの労力を減らしうることを示す。
本研究は,病理組織学応用のための自己教師あり学習の可能性を実現するための道を開くものである。
- 参考スコア（独自算出の注目度）: 8.69535649683089
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Unsupervised learning has made substantial progress over the last few years,
especially by means of contrastive self-supervised learning. The dominating
dataset for benchmarking self-supervised learning has been ImageNet, for which
recent methods are approaching the performance achieved by fully supervised
training. The ImageNet dataset is however largely object-centric, and it is not
clear yet what potential those methods have on widely different datasets and
tasks that are not object-centric, such as in digital pathology. While
self-supervised learning has started to be explored within this area with
encouraging results, there is reason to look closer at how this setting differs
from natural images and ImageNet. In this paper we make an in-depth analysis of
contrastive learning for histopathology, pin-pointing how the contrastive
objective will behave differently due to the characteristics of histopathology
data. We bring forward a number of considerations, such as view generation for
the contrastive objective and hyper-parameter tuning. In a large battery of
experiments, we analyze how the downstream performance in tissue classification
will be affected by these considerations. The results point to how contrastive
learning can reduce the annotation effort within digital pathology, but that
the specific dataset characteristics need to be considered. To take full
advantage of the contrastive learning objective, different calibrations of view
generation and hyper-parameters are required. Our results pave the way for
realizing the full potential of self-supervised learning for histopathology
applications.
- Abstract（参考訳）: 教師なし学習はここ数年、特に対照的な自己教師なし学習によって大きく進歩してきた。
自己教師付き学習のベンチマークのための支配的データセットはImageNetであり、このデータセットは、教師付きトレーニングによって達成されたパフォーマンスに近づきつつある。
imagenetデータセットは、主にオブジェクト中心であり、デジタル病理学のようなオブジェクト中心ではない、広く異なるデータセットとタスクにこれらのメソッドがどのような可能性があるかは、まだ明らかではない。
自己教師型学習がこの分野で研究され始めているが、この設定が自然画像やイメージネットとどのように異なるのかを詳しく調べる理由がある。
本稿では, 病理組織学におけるコントラスト学習の詳細な分析を行い, 病理組織学データの特徴から, コントラスト学習がどう振る舞うかをピンポイントで分析する。
我々は、対照的な目的に対するビュー生成やハイパーパラメータチューニングなど、多くの考察を提起する。
大規模な実験では, 組織分類における下流性能がこれらの考慮によってどのように影響を受けるかを分析する。
その結果、デジタル病理学におけるアノテーションの労力を、コントラスト学習がいかに削減できるかが示されるが、特定のデータセットの特徴を考慮する必要がある。
コントラスト学習目標を最大限に活用するには,ビュー生成とハイパーパラメータのキャリブレーションが異なる必要がある。
本研究は,病理組織学応用のための自己教師あり学習の可能性を実現するための方法である。
関連論文リスト
- Multi-organ Self-supervised Contrastive Learning for Breast Lesion
Segmentation [0.0]
本稿では,臓器関連目標タスクに適した事前学習モデルとして,多臓器データセットを用いる。
対象は超音波画像における乳腺腫瘍のセグメンテーションである。
その結果,従来のコントラスト学習事前学習は,教師付きベースラインアプローチに比べて性能が向上することがわかった。
論文 参考訳（メタデータ） (2024-02-21T20:29:21Z) - Graph Self-Supervised Learning for Endoscopic Image Matching [1.8275108630751844]
鍵点間の空間関係をモデル化するために,局所的な視覚的外観を捉える畳み込みニューラルネットワークと注目に基づくグラフニューラルネットワークを組み合わせた,新たな自己教師型アプローチを提案する。
我々のアプローチはラベル付きデータを必要とせず、完全に自己管理されたスキームで訓練されている。
提案手法は,最先端の手工法と深層学習法より優れ,精度(1)とマッチングスコア(99.3%)で優れた性能を示す。
論文 参考訳（メタデータ） (2023-06-19T19:53:41Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳（メタデータ） (2023-01-11T11:38:37Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳（メタデータ） (2022-03-01T16:14:41Z) - On the Robustness of Pretraining and Self-Supervision for a Deep
Learning-based Analysis of Diabetic Retinopathy [70.71457102672545]
糖尿病網膜症における訓練方法の違いによる影響を比較検討した。
本稿では,定量的性能,学習した特徴表現の統計,解釈可能性,画像歪みに対する頑健性など,さまざまな側面について検討する。
以上の結果から,ImageNet事前学習モデルでは,画像歪みに対する性能,一般化,堅牢性が著しく向上していることが示唆された。
論文 参考訳（メタデータ） (2021-06-25T08:32:45Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳（メタデータ） (2020-10-20T06:06:06Z) - Supervision and Source Domain Impact on Representation Learning: A
Histopathology Case Study [6.762603053858596]
本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。
病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。
学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
論文 参考訳（メタデータ） (2020-05-10T21:27:38Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳（メタデータ） (2020-04-05T13:46:16Z)
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。