論文の概要: On Smart Gaze based Annotation of Histopathology Images for Training of
Deep Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2202.02764v1
- Date: Sun, 6 Feb 2022 12:07:12 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-08 17:27:10.051274
- Title: On Smart Gaze based Annotation of Histopathology Images for Training of
Deep Convolutional Neural Networks
- Title（参考訳）: 深層畳み込みニューラルネットワークの訓練のためのスマートアイズに基づく病理画像の注記について
- Authors: Komal Mariam, Osama Mohammed Afzal, Wajahat Hussain, Muhammad Umar
Javed, Amber Kiyani, Nasir Rajpoot, Syed Ali Khurram and Hassan Aqeel Khan
- Abstract要約: アイアイアイアイのアノテーションは、スライドラベリングプロセスを高速化する可能性がある。
ハンドラベルデータとガゼラベルデータを用いて訓練したディープオブジェクト検出器の性能差を比較した。
- 参考スコア（独自算出の注目度）: 1.9642257301321773
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Unavailability of large training datasets is a bottleneck that needs to be
overcome to realize the true potential of deep learning in histopathology
applications. Although slide digitization via whole slide imaging scanners has
increased the speed of data acquisition, labeling of virtual slides requires a
substantial time investment from pathologists. Eye gaze annotations have the
potential to speed up the slide labeling process. This work explores the
viability and timing comparisons of eye gaze labeling compared to conventional
manual labeling for training object detectors. Challenges associated with gaze
based labeling and methods to refine the coarse data annotations for subsequent
object detection are also discussed. Results demonstrate that gaze tracking
based labeling can save valuable pathologist time and delivers good performance
when employed for training a deep object detector. Using the task of
localization of Keratin Pearls in cases of oral squamous cell carcinoma as a
test case, we compare the performance gap between deep object detectors trained
using hand-labelled and gaze-labelled data. On average, compared to
`Bounding-box' based hand-labeling, gaze-labeling required $57.6\%$ less time
per label and compared to `Freehand' labeling, gaze-labeling required on
average $85\%$ less time per label.
- Abstract（参考訳）: 大規模なトレーニングデータセットの有効性は、病理学応用におけるディープラーニングの真の可能性を実現するために克服する必要があるボトルネックである。
スライド画像スキャナー全体によるスライドのデジタル化はデータ取得の速度を増大させているが、仮想スライドのラベル付けには病理学者によるかなりの時間的投資が必要である。
eye gazeアノテーションは、スライドラベリングプロセスをスピードアップする可能性がある。
本研究は、従来の手動ラベリングと比較して視線ラベリングの実用性とタイミングの比較を行った。
視線に基づくラベリングとその後のオブジェクト検出のための粗いデータアノテーションを洗練するための手法についても論じる。
その結果、視線追跡に基づくラベリングは、貴重な病理学者の時間を節約し、深部物体検出器の訓練に使用すると良好な性能を発揮することが示される。
口腔扁平上皮癌症例におけるケラチンパールの局所化の課題を用いて,手延べデータと視線標識データを用いて訓練した深部物体検出装置のパフォーマンスギャップを比較した。
平均して、"Bounding-box"ベースの手書きラベルと比較すると、Gear-labelingはレーベルごとの時間あたりの時間を57.6\%削減し、"Freehand"ラベルと比較すると、平均8,5\%より時間あたりの時間が少ない。
関連論文リスト
- A Review of Pseudo-Labeling for Computer Vision [2.79239659248295]
ディープニューラルネットワークは、しばしば効果的に一般化するためにラベル付きサンプルの大きなデータセットを必要とする。
活発な研究の重要な領域は半教師あり学習であり、代わりに大量の(容易に取得された)未ラベルのサンプルを使おうとする。
本研究では,自己監督手法と教師なし手法の両方において,擬似ラベルのより広範な解釈について検討する。
論文 参考訳（メタデータ） (2024-08-13T22:17:48Z) - Context Matters: Leveraging Spatiotemporal Metadata for Semi-Supervised Learning on Remote Sensing Images [2.518656729567209]
現在のアプローチでは、未ラベルサンプルのモデル予測から擬似ラベルを生成する。
擬似ラベルの品質向上のために,SSLにおける時空間情報の利用を提案する。
テスト時に予測器の入力に利用可能なメタデータを追加すると、トレーニングセットの時間分布外のメタデータの予測品質が劣化することを示す。
論文 参考訳（メタデータ） (2024-04-29T10:47:37Z) - Weakly Semi-supervised Tool Detection in Minimally Invasive Surgery
Videos [11.61305113932032]
外科的ツール検出は、最小侵襲の手術ビデオの分析と評価に不可欠である。
インスタンスレベルのラベルを持つ大規模なイメージデータセットは、アノテーションの負担のために制限されることが多い。
本研究では,非常にコストのかかるアノテーションの重み付けと検出性能のバランスをとることを提案する。
論文 参考訳（メタデータ） (2024-01-05T13:05:02Z) - 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) - Human-machine Interactive Tissue Prototype Learning for Label-efficient
Histopathology Image Segmentation [18.755759024796216]
ディープ・ニューラル・ネットワークは、画像セグメンテーションを大幅に進歩させたが、通常は豊富なデータを必要とする。
本稿では,ラベル効率のよい組織原型辞書構築パイプラインを提案し,得られた原型を用いて病理組織像のセグメンテーションを導くことを提案する。
人間の機械的対話型組織プロトタイプ学習法は,完全教師付きベースラインと同等のセグメンテーション性能が得られることを示す。
論文 参考訳（メタデータ） (2022-11-26T06:17:21Z) - Semi-supervised Object Detection via Virtual Category Learning [68.26956850996976]
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。
具体的には、各混乱したサンプルに仮想圏(VC)が割り当てられる。
トレーニングサンプルと仮想カテゴリの間の埋め込み距離を指定することに起因する。
論文 参考訳（メタデータ） (2022-07-07T16:59:53Z) - Self-Supervised Learning as a Means To Reduce the Need for Labeled Data
in Medical Image Analysis [64.4093648042484]
胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。
ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
論文 参考訳（メタデータ） (2022-06-01T09:20:30Z) - Debiased Pseudo Labeling in Self-Training [77.83549261035277]
ディープニューラルネットワークは、大規模ラベル付きデータセットの助けを借りて、幅広いタスクで顕著なパフォーマンスを達成する。
ラベル付きデータの要求を軽減するため、ラベル付けされていないデータに擬似ラベルを付けることにより、学術と産業の両方で自己学習が広く使われている。
疑似ラベルの生成と利用を2つの独立した頭文字で分離するデバイアスドを提案する。
論文 参考訳（メタデータ） (2022-02-15T02:14:33Z) - A Histopathology Study Comparing Contrastive Semi-Supervised and Fully
Supervised Learning [0.0]
計算病理学におけるラベル付け負担を軽減するための自己教師型学習について検討する。
ImageNetの事前学習ネットワークは,Barlow Twinsを用いた自己教師型表現よりも優れていた。
論文 参考訳（メタデータ） (2021-11-10T19:04:08Z) - Learning to Aggregate and Refine Noisy Labels for Visual Sentiment
Analysis [69.48582264712854]
本研究では,頑健な視覚的感情分析を行うための頑健な学習手法を提案する。
本手法は,トレーニング中にノイズラベルを集約・フィルタリングするために外部メモリに依存している。
公開データセットを用いたラベルノイズを用いた視覚的感情分析のベンチマークを構築した。
論文 参考訳（メタデータ） (2021-09-15T18:18:28Z) - Weakly-Supervised Salient Object Detection via Scribble Annotations [54.40518383782725]
本稿では,スクリブルラベルからサリエンシを学習するための弱教師付きサリエント物体検出モデルを提案する。
そこで本研究では,予測されたサリエンシマップの構造アライメントを測定するために,新しい尺度であるサリエンシ構造尺度を提案する。
我々の手法は、既存の弱教師付き/非教師付き手法よりも優れているだけでなく、いくつかの完全教師付き最先端モデルと同等である。
論文 参考訳（メタデータ） (2020-03-17T12:59:50Z)
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。