論文の概要: Improving Human Sperm Head Morphology Classification with Unsupervised Anatomical Feature Distillation

• arxiv url: http://arxiv.org/abs/2202.07191v1
• Date: Tue, 15 Feb 2022 04:58:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-16 14:29:10.023391
• Title: Improving Human Sperm Head Morphology Classification with Unsupervised Anatomical Feature Distillation
• Title（参考訳）: 無監督解剖学的特徴蒸留によるヒト精子頭形態分類の改善
• Authors: Yejia Zhang, Jingjing Zhang, Xiaomin Zha, Yiru Zhou, Yunxia Cao, Danny Chen
• Abstract要約: 近年のDeep Learning (DL) 形態素解析手法は有望なベンチマーク結果を実現するが、性能と堅牢性は表に残されている。 本稿では,ヒト精子顕微鏡作物の解剖学的,画像的先行性を利用して,ラベル付けコストを伴わずに有用な特徴を抽出する新しいDLトレーニングフレームワークを提案する。 2つの公開精子データセットに対する我々の新しいアプローチを評価し、最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 3.666202958045386
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: With rising male infertility, sperm head morphology classification becomes critical for accurate and timely clinical diagnosis. Recent deep learning (DL) morphology analysis methods achieve promising benchmark results, but leave performance and robustness on the table by relying on limited and possibly noisy class labels. To address this, we introduce a new DL training framework that leverages anatomical and image priors from human sperm microscopy crops to extract useful features without additional labeling cost. Our core idea is to distill sperm head information with reliably-generated pseudo-masks and unsupervised spatial prediction tasks. The predicted foreground masks from this distillation step are then leveraged to regularize and reduce image and label noise in the tuning stage. We evaluate our new approach on two public sperm datasets and achieve state-of-the-art performances (e.g. 65.9% SCIAN accuracy and 96.5% HuSHeM accuracy).
• Abstract（参考訳）: 男性不妊症の増加に伴い、精子頭の形態分類は正確かつタイムリーな臨床診断に不可欠となる。 近年のDeep Learning (DL) 形態素解析手法は有望なベンチマーク結果を実現するが、限定的でノイズの多いクラスラベルに依存して性能と頑健さを表に残す。 そこで本稿では,ヒト精子顕微鏡作物の解剖学的および画像的前処理を活用し,追加のラベル付けコストを伴わずに有用な特徴を抽出する新しいdlトレーニングフレームワークを提案する。 我々の中心となる考え方は、精子の頭部情報を確実な擬似マスクと教師なし空間予測タスクで蒸留することである。 そして、この蒸留工程から予測された前景マスクを利用して、調整段階における画像およびラベルノイズの調整および低減を行う。 2つの公開精子データセットに対する我々の新しいアプローチを評価し、最先端のパフォーマンスを達成する(例:65.9% SCIANの精度と96.5% HuSHeMの精度)。

関連論文リスト

• Enhancing AI Diagnostics: Autonomous Lesion Masking via Semi-Supervised Deep Learning [1.4053129774629076]
  本研究では,乳房超音波(US)画像における乳房病変の鑑別を目的とした,関心領域(ROI)を自律的に生成することを目的とした,教師なし領域適応手法を提案する。 我々の半教師付き学習アプローチは、真のアノテーションを持つ小さな母乳USデータセットで訓練された原始モデルを利用する。 このモデルはドメイン適応タスクのために反復的に洗練され、当社のプライベートな無注釈乳房データセットに擬似マスクを生成します。
  論文  参考訳（メタデータ） (2024-04-18T18:25:00Z)
• SHMC-Net: A Mask-guided Feature Fusion Network for Sperm Head Morphology Classification [14.762439662731865]
  我々はSHMC-Netと呼ばれる精子頭部形態分類の新しい手法を提案する。 SHMC-Netは精子画像の形態分類を導くために精子頭部のセグメンテーションマスクを使用する。 我々は、SCIANとHuSHeMデータセットの最先端結果を達成する。
  論文  参考訳（メタデータ） (2024-02-06T04:33:51Z)
• ArSDM: Colonoscopy Images Synthesis with Adaptive Refinement Semantic Diffusion Models [69.9178140563928]
  大腸内視鏡検査は臨床診断や治療に不可欠である。 注釈付きデータの不足は、既存の手法の有効性と一般化を制限する。 本稿では, 下流作業に有用な大腸内視鏡画像を生成するために, 適応Refinement Semantic Diffusion Model (ArSDM)を提案する。
  論文  参考訳（メタデータ） (2023-09-03T07:55:46Z)
• Karyotype AI for Precision Oncology [24.283441582734255]
  従来の核型解析を自動化しようとする試みは収差検出では不十分であった。 TopViTはCNN(インセプション)モデルで99.3%の精度で染色体を同定した。
  論文  参考訳（メタデータ） (2022-11-20T04:59:23Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• 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)
• 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)
• Taming Overconfident Prediction on Unlabeled Data from Hindsight [50.9088560433925]
  ラベルのないデータに対する予測の不確実性を最小化することは、半教師付き学習において優れた性能を達成するための鍵となる要素である。 本稿では,アダプティブシャーニング(Adaptive Sharpening, ADS)と呼ばれる2つのメカニズムを提案する。 ADSは、プラグインにすることで最先端のSSLメソッドを大幅に改善する。
  論文  参考訳（メタデータ） (2021-12-15T15:17:02Z)
• Automatic evaluation of human oocyte developmental potential from microscopy images [0.0]
  本稿では,このプロセスの速度,再現性,精度を向上させる自動システムを提案する。 まず、個々の卵細胞を局在させ、その主成分をCNN(U-Net)セグメンテーションを用いて同定する。 提案手法は,分類精度を70%に向上させる。
  論文  参考訳（メタデータ） (2021-02-27T19:36:04Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)

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。