論文の概要: REET: Robustness Evaluation and Enhancement Toolbox for Computational
Pathology
- arxiv url: http://arxiv.org/abs/2201.12311v1
- Date: Fri, 28 Jan 2022 18:23:55 GMT
- ステータス: 処理完了
- システム内更新日: 2022-01-31 14:56:20.982195
- Title: REET: Robustness Evaluation and Enhancement Toolbox for Computational
Pathology
- Title（参考訳）: REET:計算病理のロバスト性評価・強化ツールボックス
- Authors: Alex Foote, Amina Asif, Nasir Rajpoot and Fayyaz Minhas
- Abstract要約: 計算病理学応用のための最初のドメイン固有ロバストネス評価・拡張ツールボックス(REET)を提案する。
REETは予測モデルの堅牢性評価を可能にするアルゴリズム戦略のスイートを提供する。
REETはまた、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングを可能にする。
- 参考スコア（独自算出の注目度）: 1.452875650827562
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Motivation: Digitization of pathology laboratories through digital slide
scanners and advances in deep learning approaches for objective histological
assessment have resulted in rapid progress in the field of computational
pathology (CPath) with wide-ranging applications in medical and pharmaceutical
research as well as clinical workflows. However, the estimation of robustness
of CPath models to variations in input images is an open problem with a
significant impact on the down-stream practical applicability, deployment and
acceptability of these approaches. Furthermore, development of domain-specific
strategies for enhancement of robustness of such models is of prime importance
as well.
Implementation and Availability: In this work, we propose the first
domain-specific Robustness Evaluation and Enhancement Toolbox (REET) for
computational pathology applications. It provides a suite of algorithmic
strategies for enabling robustness assessment of predictive models with respect
to specialized image transformations such as staining, compression, focusing,
blurring, changes in spatial resolution, brightness variations, geometric
changes as well as pixel-level adversarial perturbations. Furthermore, REET
also enables efficient and robust training of deep learning pipelines in
computational pathology. REET is implemented in Python and is available at the
following URL: https://github.com/alexjfoote/reetoolbox.
Contact: Fayyaz.minhas@warwick.ac.uk
- Abstract（参考訳）: モチベーション: デジタルスライドスキャナーによる病理学研究室のデジタル化と、客観的組織学的評価のための深層学習アプローチの進歩により、コンピュータ病理学(CPath)の分野で急速に進歩し、医学・薬学研究や臨床ワークフローにも幅広く応用されている。
しかし、入力画像の変動に対するCPathモデルのロバスト性の推定は、これらのアプローチの下流での実用性、展開、受容性に大きな影響を及ぼす、オープンな問題である。
さらに、このようなモデルの堅牢性を高めるためのドメイン特化戦略の開発も重要である。
実装と可用性: 本研究では, 計算病理学応用のための最初のドメイン固有ロバスト性評価および拡張ツールボックス(reet)を提案する。
ステンドリング、圧縮、フォーカス、ぼかし、空間分解能の変化、輝度の変化、幾何学的変化、ピクセルレベルの逆摂動といった特殊な画像変換に関して、予測モデルのロバスト性評価を可能にするアルゴリズム戦略のスイートを提供する。
さらにreetは、計算病理学におけるディープラーニングパイプラインの効率的で堅牢なトレーニングも可能にする。
REETはPythonで実装されており、以下のURLで利用できる。
連絡先: Fayyaz.minhas@warwick.ac.uk
関連論文リスト
- CanvOI, an Oncology Intelligence Foundation Model: Scaling FLOPS Differently [0.0]
本稿では,VT-g/10ベースの基盤モデルであるCanvOIについて述べる。
より大きなタイルサイズ(380 x 380ピクセル)と小さなパッチサイズ(10 x 10ピクセル)を導入することで、モデルの性能を最適化することができた。
論文 参考訳（メタデータ） (2024-09-04T17:15:44Z) - Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。
デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。
本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文 参考訳（メタデータ） (2024-07-10T17:00:57Z) - PathoWAve: A Deep Learning-based Weight Averaging Method for Improving Domain Generalization in Histopathology Images [13.362177469092963]
病理画像解析における領域シフト現象に対処するために,病理量平均化(PathoWAve)を導入する。
The results on Camelyon17 WILDS dataset shows PathoWAve's superiority than previous proposed method。
論文 参考訳（メタデータ） (2024-06-21T23:25:44Z) - Adapting Self-Supervised Learning for Computational Pathology [3.009236957464476]
自己教師あり学習(SSL)は、タスク固有の監督なしに様々なタスクにうまく適応できるネットワークを訓練するための重要な技術として登場した。
本稿では、DINOv2アルゴリズムを中心に、病理データに対するSSLの修正について検討する。
論文 参考訳（メタデータ） (2024-05-02T19:22:39Z) - Structured Model Pruning for Efficient Inference in Computational Pathology [2.9687381456164004]
バイオメディカルイメージングにおいて広く使われているU-Netスタイルのアーキテクチャを解析する手法を開発した。
我々は,プルーニングが性能を低下させることなく,少なくとも70%圧縮できることを実証的に実証した。
論文 参考訳（メタデータ） (2024-04-12T22:05:01Z) - Benchmarking Heterogeneous Treatment Effect Models through the Lens of
Interpretability [82.29775890542967]
治療のパーソナライズされた効果を見積もるのは複雑だが、普及している問題である。
ヘテロジニアス処理効果推定に関する機械学習文献の最近の進歩は、洗練されたが不透明なツールの多くを生み出した。
我々は、ポストホックな特徴重要度法を用いて、モデルの予測に影響を及ぼす特徴を特定する。
論文 参考訳（メタデータ） (2022-06-16T17:59:05Z) - Real-time landmark detection for precise endoscopic submucosal
dissection via shape-aware relation network [51.44506007844284]
内視鏡下粘膜下郭清術における高精度かつリアルタイムなランドマーク検出のための形状認識型関係ネットワークを提案する。
まず,ランドマーク間の空間的関係に関する先行知識を直感的に表現する関係キーポイント・ヒートマップを自動生成するアルゴリズムを考案する。
次に、事前知識を学習プロセスに段階的に組み込むために、2つの補完的な正規化手法を開発する。
論文 参考訳（メタデータ） (2021-11-08T07:57:30Z) - OncoPetNet: A Deep Learning based AI system for mitotic figure counting
on H&E stained whole slide digital images in a large veterinary diagnostic
lab setting [47.38796928990688]
OncoPetNetの開発において,複数の最先端ディープラーニング技術を用いて病理組織像分類と有糸体像検出を行った。
提案システムは,14種類の癌に対して,ヒトのエキスパートベースラインと比較して,41例の有糸分裂計数性能を有意に向上させた。
デプロイでは、2つのセンターで1日3,323枚のデジタル全スライド画像を処理する高スループット獣医診断サービスにおいて、効果的な0.27分/スライダー推論が達成された。
論文 参考訳（メタデータ） (2021-08-17T20:01:33Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳（メタデータ） (2021-06-17T17:26:31Z) - GaNDLF: A Generally Nuanced Deep Learning Framework for Scalable
End-to-End Clinical Workflows in Medical Imaging [76.38169390121057]
コミュニティ主導型汎用ディープラーニングフレームワークGaNDLF(Generally Nuanced Deep Learning Framework)について紹介する。
GaNDLFは、DL開発、トレーニング、推論のメカニズムをより安定させ、再現可能で、解釈可能で、スケーラブルにする。
放射線画像と病理画像の両方をGaNDLFで解析し,k-foldクロスバリデーションをサポートした。
論文 参考訳（メタデータ） (2021-02-26T02:24:52Z) - Domain Shift in Computer Vision models for MRI data analysis: An
Overview [64.69150970967524]
機械学習とコンピュータビジョン手法は、医用画像解析において優れた性能を示している。
しかし、現在臨床応用はごくわずかである。
異なるソースや取得ドメインのデータへのモデルの不適切な転送性は、その理由の1つです。
論文 参考訳（メタデータ） (2020-10-14T16:34:21Z)
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。