論文の概要: Calibrating Histopathology Image Classifiers using Label Smoothing
- arxiv url: http://arxiv.org/abs/2201.11866v1
- Date: Fri, 28 Jan 2022 00:13:09 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-01 08:47:00.013936
- Title: Calibrating Histopathology Image Classifiers using Label Smoothing
- Title(参考訳): ラベル平滑化を用いた病理組織像分類器の校正
- Authors: Jerry Wei and Lorenzo Torresani and Jason Wei and Saeed Hassanpour
- Abstract要約: 画像毎のアノテータ合意を利用したラベル平滑化手法を提案する。
提案手法によりキャリブレーション誤差を約70%低減する。
本手法は,他の病理組織像分類タスクにおけるさらなる探索と実装の可能性に有益である。
- 参考スコア(独自算出の注目度): 42.38682782211358
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The classification of histopathology images fundamentally differs from
traditional image classification tasks because histopathology images naturally
exhibit a range of diagnostic features, resulting in a diverse range of
annotator agreement levels. However, examples with high annotator disagreement
are often either assigned the majority label or discarded entirely when
training histopathology image classifiers. This widespread practice often
yields classifiers that do not account for example difficulty and exhibit poor
model calibration. In this paper, we ask: can we improve model calibration by
endowing histopathology image classifiers with inductive biases about example
difficulty?
We propose several label smoothing methods that utilize per-image annotator
agreement. Though our methods are simple, we find that they substantially
improve model calibration, while maintaining (or even improving) accuracy. For
colorectal polyp classification, a common yet challenging task in
gastrointestinal pathology, we find that our proposed agreement-aware label
smoothing methods reduce calibration error by almost 70%. Moreover, we find
that using model confidence as a proxy for annotator agreement also improves
calibration and accuracy, suggesting that datasets without multiple annotators
can still benefit from our proposed label smoothing methods via our proposed
confidence-aware label smoothing methods.
Given the importance of calibration (especially in histopathology image
analysis), the improvements from our proposed techniques merit further
exploration and potential implementation in other histopathology image
classification tasks.
- Abstract(参考訳): 病理組織像の分類は、病理組織像が自然に様々な診断的特徴を示すため、従来の画像分類課題と根本的に異なる。
しかし、アノテータの不一致の例は、多くの場合、大多数のラベルに割り当てられるか、病理組織学画像分類器の訓練時に完全に破棄される。
この広範にわたる慣行は、しばしば難易度を考慮せず、モデルのキャリブレーションが貧弱な分類器をもたらす。
本稿では, 組織像分類器にサンプル難易度に関する帰納バイアスを与えることにより, モデル校正を改善することができるか?
画像毎のアノテータ合意を利用したラベル平滑化手法を提案する。
提案手法は単純ではあるが,精度を維持(あるいは改善)しながら,モデルキャリブレーションを大幅に改善していることがわかった。
大腸ポリープ分類は消化管病理における一般的な課題でありながら課題であり,本提案の合意対応ラベル平滑化手法は校正誤差を約70%削減する。
さらに,アノテータ契約のプロキシとしてモデル信頼性を用いることでキャリブレーションと精度が向上し,複数のアノテータを含まないデータセットは,提案手法によるラベル平滑化手法の恩恵を受けられることが示唆された。
キャリブレーション(特に病理組織学的画像解析)の重要性を考えると、提案手法の改善は、他の病理組織学的画像分類タスクにおけるさらなる探索と潜在的な実装に役立つ。
関連論文リスト
- ProbMCL: Simple Probabilistic Contrastive Learning for Multi-label Visual Classification [16.415582577355536]
マルチラベル画像分類は、コンピュータビジョンや医用画像など、多くの領域において難しい課題である。
最近の進歩は、グラフベースとトランスフォーマーベースのメソッドを導入し、パフォーマンスを改善し、ラベルの依存関係をキャプチャしている。
本稿では,これらの課題に対処する新しいフレームワークである確率的多ラベルコントラスト学習(ProbMCL)を提案する。
論文 参考訳(メタデータ) (2024-01-02T22:15:20Z) - Stain-invariant self supervised learning for histopathology image
analysis [74.98663573628743]
乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。
本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
論文 参考訳(メタデータ) (2022-11-14T18:16:36Z) - DOMINO: Domain-aware Model Calibration in Medical Image Segmentation [51.346121016559024]
現代のディープニューラルネットワークはキャリブレーションが不十分で、信頼性と信頼性を損なう。
本稿では,クラスラベル間のセマンティック・コンフューザビリティと階層的類似性を利用したドメイン認識モデルキャリブレーション手法であるDOMINOを提案する。
その結果,DOMINOを校正したディープニューラルネットワークは,頭部画像分割における非校正モデルや最先端形態計測法よりも優れていた。
論文 参考訳(メタデータ) (2022-09-13T15:31:52Z) - Test-time Adaptation with Calibration of Medical Image Classification
Nets for Label Distribution Shift [24.988087560120366]
医用画像分類のためのラベルシフトに最初に取り組む手法を提案する。
本手法は,1つのトレーニングラベル分布から学習したモデルを任意の未知のテストラベル分布に効果的に適用する。
肝線維症ステージングと重症度予測の2つの重要な医用画像分類タスクについて,本手法の有効性を検証した。
論文 参考訳(メタデータ) (2022-07-02T07:55:23Z) - Magnification-independent Histopathological Image Classification with
Similarity-based Multi-scale Embeddings [12.398787062519034]
本稿では,類似性に基づく画像分類のためのマルチスケール埋め込みを学習する手法を提案する。
特に、対損失と三重項損失を利用して、画像対や画像三重項から類似性に基づく埋め込みを学習する。
SMSEはBreakHisベンチマークで最高のパフォーマンスを達成しており、従来の方法に比べて5%から18%改善されている。
論文 参考訳(メタデータ) (2021-07-02T13:18:45Z) - Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
超高解像度画像のための混合監視学習フレームワークを提案する。
パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。
画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
論文 参考訳(メタデータ) (2021-07-02T09:46:06Z) - Self-Ensembling Contrastive Learning for Semi-Supervised Medical Image
Segmentation [6.889911520730388]
限られたラベルを持つ医用画像セグメンテーションにおける半教師あり学習の性能向上を目指す。
我々は、ラベルのない画像に対照的な損失を与えることによって、特徴レベルで潜在表現を直接学習する。
我々はMRIとCTのセグメンテーションデータセットの実験を行い、提案手法が最先端の性能を実現することを示す。
論文 参考訳(メタデータ) (2021-05-27T03:27:58Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳(メタデータ) (2021-04-29T17:49:48Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳(メタデータ) (2020-05-15T06:57:54Z)
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。