論文の概要: Classification of Microscopy Images of Breast Tissue: Region Duplication
based Self-Supervision vs. Off-the Shelf Deep Representations
- arxiv url: http://arxiv.org/abs/2202.06073v1
- Date: Sat, 12 Feb 2022 14:12:13 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-18 07:42:17.771353
- Title: Classification of Microscopy Images of Breast Tissue: Region Duplication
based Self-Supervision vs. Off-the Shelf Deep Representations
- Title(参考訳): 乳腺組織の顕微鏡像の分類:領域複製に基づく自己スーパービジョンとオフザシェルフ深部表現
- Authors: Aravind Ravi
- Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)を訓練し、ドメイン固有の特徴を抽出する、新しい自己超越プレテキストタスクを提案する。
その結果,ResNet50を用いて抽出した深部機能に対して,パッチレベルの埋め込みを併用した99%の感度の最高の性能が得られた。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Breast cancer is one of the leading causes of female mortality in the world.
This can be reduced when diagnoses are performed at the early stages of
progression. Further, the efficiency of the process can be significantly
improved with computer aided diagnosis. Deep learning based approaches have
been successfully applied to achieve this. One of the limiting factors for
training deep networks in a supervised manner is the dependency on large
amounts of expert annotated data. In reality, large amounts of unlabelled data
and only small amounts of expert annotated data are available. In such
scenarios, transfer learning approaches and self-supervised learning (SSL)
based approaches can be leveraged. In this study, we propose a novel
self-supervision pretext task to train a convolutional neural network (CNN) and
extract domain specific features. This method was compared with deep features
extracted using pre-trained CNNs such as DenseNet-121 and ResNet-50 trained on
ImageNet. Additionally, two types of patch-combination methods were introduced
and compared with majority voting. The methods were validated on the BACH
microscopy images dataset. Results indicated that the best performance of 99%
sensitivity was achieved for the deep features extracted using ResNet50 with
concatenation of patch-level embedding. Preliminary results of SSL to extract
domain specific features indicated that with just 15% of unlabelled data a high
sensitivity of 94% can be achieved for a four class classification of
microscopy images.
- Abstract(参考訳): 乳がんは世界で女性の死亡率の主要な原因の1つである。
これは、進行の初期段階で診断を行うと減少する。
さらに、コンピュータ支援診断により、プロセスの効率を著しく向上させることができる。
ディープラーニングに基づくアプローチは、これを実現するためにうまく適用されています。
教師付き方法でディープネットワークをトレーニングするための制限要因の1つは、大量の専門家アノテートデータに依存することである。
実際には、大量のラベルなしのデータと少数の専門家による注釈付きデータしか利用できない。
このようなシナリオでは、転送学習アプローチと自己教師付き学習(SSL)ベースのアプローチを利用することができる。
本研究では,畳み込みニューラルネットワーク(cnn)を訓練し,ドメイン固有の特徴を抽出するための,新しい自己スーパービジョンプリテキストタスクを提案する。
この手法は imagenet で訓練された densenet-121 や resnet-50 のような事前訓練された cnn を用いて抽出された深い特徴と比較された。
さらに,2種類のパッチ結合法を導入し,多数決と比較した。
これらの手法をBACH顕微鏡画像データセットで検証した。
その結果,ResNet50を用いて抽出した深部機能に対して,パッチレベルの埋め込みを併用した99%の感度の最高の性能が得られた。
領域固有の特徴を抽出するSSLの予備的な結果から、顕微鏡画像の4クラス分類において、未ラベルデータの15%で高感度の94%が得られることが示された。
関連論文リスト
- Local-to-Global Self-Supervised Representation Learning for Diabetic Retinopathy Grading [0.0]
本研究では,自己指導型学習と知識蒸留を用いた新しいハイブリッド学習モデルを提案する。
我々のアルゴリズムでは、自己教師型学習および知識蒸留モデルの中で初めて、テストデータセットがトレーニングデータセットよりも50%大きい。
類似の最先端モデルと比較すると,より高精度で効率的な表現空間が得られた。
論文 参考訳(メタデータ) (2024-10-01T15:19:16Z) - Multi-task Explainable Skin Lesion Classification [54.76511683427566]
少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。
提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
論文 参考訳(メタデータ) (2023-10-11T05:49:47Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳(メタデータ) (2022-07-24T07:45:47Z) - Learning from few examples: Classifying sex from retinal images via deep
learning [3.9146761527401424]
基礎画像から患者の性別を分類するために,小データセット上でのDLの性能について紹介する。
約2500基の画像を用いて開発した本モデルでは,最大0.72点のAUCスコアが得られた。
これは、データセットサイズが1000倍近く減少しているにもかかわらず、わずか25%のパフォーマンス低下に相当する。
論文 参考訳(メタデータ) (2022-07-20T02:47:29Z) - Application of Transfer Learning and Ensemble Learning in Image-level
Classification for Breast Histopathology [9.037868656840736]
CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。
本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。
結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
論文 参考訳(メタデータ) (2022-04-18T13:31:53Z) - Intelligent Masking: Deep Q-Learning for Context Encoding in Medical
Image Analysis [48.02011627390706]
我々は,対象地域を排除し,事前訓練の手順を改善する,新たな自己指導型アプローチを開発した。
予測モデルに対してエージェントを訓練することで、下流の分類タスクで抽出した意味的特徴を大幅に改善できることを示す。
論文 参考訳(メタデータ) (2022-03-25T19:05:06Z) - CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。
我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文 参考訳(メタデータ) (2021-10-29T18:41:15Z) - Hierarchical Self-Supervised Learning for Medical Image Segmentation
Based on Multi-Domain Data Aggregation [23.616336382437275]
医用画像分割のための階層型自己監督学習(HSSL)を提案する。
まず、いくつかの医学的課題からデータセットを収集し、自己教師付きでネットワークを事前訓練し、最後にラベル付きデータに微調整します。
スクラッチから学習するのに比べ、新しい手法は様々なタスクにおいてより良いパフォーマンスをもたらす。
論文 参考訳(メタデータ) (2021-07-10T18:17:57Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳(メタデータ) (2020-05-18T09:36:51Z) - 3D medical image segmentation with labeled and unlabeled data using
autoencoders at the example of liver segmentation in CT images [58.720142291102135]
本研究では、畳み込みニューラルネットワークによるセグメンテーションを改善するために、オートエンコーダ抽出機能の可能性を検討する。
コンボリューション・オートエンコーダを用いてラベルのないデータから特徴を抽出し,CT画像における3次元肝セグメンテーションの目標タスクを実行するために,マルチスケールの完全畳み込みCNNを用いた。
論文 参考訳(メタデータ) (2020-03-17T20:20:43Z)
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。