論文の概要: Towards better understanding and better generalization of few-shot
classification in histology images with contrastive learning
- arxiv url: http://arxiv.org/abs/2202.09059v1
- Date: Fri, 18 Feb 2022 07:48:34 GMT
- ステータス: 処理完了
- システム内更新日: 2022-02-21 14:16:40.481214
- Title: Towards better understanding and better generalization of few-shot
classification in histology images with contrastive learning
- Title（参考訳）: コントラスト学習を伴う組織像におけるマイトショット分類の理解と一般化
- Authors: Jiawei Yang, Hanbo Chen, Jiangpeng Yan, Xiaoyu Chen, Jianhua Yao
- Abstract要約: ナチュラル・イメージに長年定着した話題は少ないが、ヒストロジカル・イメージに携わる作品はほとんどない。
本稿では,LCL(Contrative Learning)とLA(Latent Augmentation)を併用して,数ショットのシステムを構築することを提案する。
実験では, CLが学習したモデルは, 未知のクラスにおける組織像の教師あり学習よりも一般化し, LAはベースラインよりも一貫した利得をもたらすことがわかった。
- 参考スコア（独自算出の注目度）: 7.620702640026243
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot learning is an established topic in natural images for years, but
few work is attended to histology images, which is of high clinical value since
well-labeled datasets and rare abnormal samples are expensive to collect. Here,
we facilitate the study of few-shot learning in histology images by setting up
three cross-domain tasks that simulate real clinics problems. To enable
label-efficient learning and better generalizability, we propose to incorporate
contrastive learning (CL) with latent augmentation (LA) to build a few-shot
system. CL learns useful representations without manual labels, while LA
transfers semantic variations of the base dataset in an unsupervised way. These
two components fully exploit unlabeled training data and can scale gracefully
to other label-hungry problems. In experiments, we find i) models learned by CL
generalize better than supervised learning for histology images in unseen
classes, and ii) LA brings consistent gains over baselines. Prior studies of
self-supervised learning mainly focus on ImageNet-like images, which only
present a dominant object in their centers. Recent attention has been paid to
images with multi-objects and multi-textures. Histology images are a natural
choice for such a study. We show the superiority of CL over supervised learning
in terms of generalization for such data and provide our empirical
understanding for this observation. The findings in this work could contribute
to understanding how the model generalizes in the context of both
representation learning and histological image analysis. Code is available.
- Abstract（参考訳）: 自然画像に長年定着している課題は少ないが, よくラベル付けされたデータセットやまれな異常なサンプルの収集が高価であるため,臨床価値の高い組織像に注目する研究は少ない。
本稿では,実際のクリニック問題をシミュレートする3つのクロスドメインタスクを設定することにより,組織像におけるマイトショット学習の研究を促進する。
ラベル効率のよい学習とより優れた一般化性を実現するために,コントラスト学習 (CL) と潜時拡張 (LA) を併用して数ショットシステムを構築することを提案する。
CLは手動ラベルなしで有用な表現を学習し、LAは教師なしの方法でベースデータセットのセマンティックなバリエーションを転送する。
これら2つのコンポーネントはラベルなしのトレーニングデータを完全に活用し、他のラベル格納問題に対して優雅にスケールすることができる。
実験では
一 CLが学習したモデルは、目に見えないクラスの組織像の教師あり学習より一般化し、
二 LAが基準線より一貫した利得をもたらすこと。
自己教師型学習の以前の研究は、主にイメージネットのようなイメージに焦点を当てていた。
近年,マルチオブジェクト画像やマルチテキスト画像に注目が集まっている。
このような研究には、組織像が自然な選択である。
このようなデータに対する一般化の観点からは,教師付き学習よりもclが優れていることを示し,この観察に対する経験的理解を提供する。
本研究の知見は,このモデルが表現学習と組織像解析の両方の文脈においてどのように一般化するかを理解するのに寄与する。
コードは利用可能。
関連論文リスト
- Improving Human-Object Interaction Detection via Virtual Image Learning [68.56682347374422]
人間-物体相互作用(Human-Object Interaction、HOI)は、人間と物体の相互作用を理解することを目的としている。
本稿では,仮想画像学習(Virtual Image Leaning, VIL)による不均衡分布の影響を軽減することを提案する。
ラベルからイメージへの新たなアプローチであるMultiple Steps Image Creation (MUSIC)が提案され、実際の画像と一貫した分布を持つ高品質なデータセットを作成する。
論文 参考訳（メタデータ） (2023-08-04T10:28:48Z) - Mixture of Self-Supervised Learning [2.191505742658975]
自己教師型学習は、特定のタスクに適用される前にモデル上でトレーニングされるプレテキストタスクを使用することで機能する。
従来の研究では、プリテキストタスクとして1つのタイプの変換しか使用されていなかった。
これにより、複数のプリテキストタスクが使用されているかどうか、すべてのプリテキストタスクを組み合わせるためにゲーティングネットワークを使用するかどうか、という疑問が持ち上がる。
論文 参考訳（メタデータ） (2023-07-27T14:38:32Z) - Recognizing Unseen Objects via Multimodal Intensive Knowledge Graph
Propagation [68.13453771001522]
画像の領域と対応するセマンティック埋め込みとをマッチングする多モード集中型ZSLフレームワークを提案する。
我々は、大規模な実世界のデータに基づいて、広範囲な実験を行い、そのモデルを評価する。
論文 参考訳（メタデータ） (2023-06-14T13:07:48Z) - Pixel-Level Explanation of Multiple Instance Learning Models in
Biomedical Single Cell Images [52.527733226555206]
複数のインスタンス学習モデルを説明するための4つの属性法について検討する。
急性骨髄性白血病の2つのデータセットと100万以上の単細胞画像について検討した。
我々は、属性マップと医療専門家の注釈を比較し、モデルの意思決定が人間の基準とどのように異なるかを確認する。
論文 参考訳（メタデータ） (2023-03-15T14:00:11Z) - Mine yOur owN Anatomy: Revisiting Medical Image Segmentation with Extremely Limited Labels [54.58539616385138]
我々は、Mine yOur owN Anatomy (MONA) と呼ばれる、新しい半教師付き2次元医用画像セグメンテーションフレームワークを紹介する。
まず、先行研究では、すべてのピクセルがモデルトレーニングに等しく重要であると論じており、我々はこの1つだけで意味のある解剖学的特徴を定義できないことを経験的に観察している。
第2に,医療画像を解剖学的特徴の集合に分解できるモデルを構築する。
論文 参考訳（メタデータ） (2022-09-27T15:50:31Z) - Lesion-Aware Contrastive Representation Learning for Histopathology
Whole Slide Images Analysis [16.264758789726223]
本稿では,スライド画像解析の病理組織学的手法として,Lesion-Aware Contrastive Learning (LACL) という新しいコントラスト表現学習フレームワークを提案する。
実験の結果,LACLは異なるデータセット上での組織像表現学習において,最高の性能を発揮することが示された。
論文 参考訳（メタデータ） (2022-06-27T08:39:51Z) - Contrastive Semi-Supervised Learning for 2D Medical Image Segmentation [16.517086214275654]
フルイメージではなく,画像パッチにContrastive Learning(CL)を適用した,新しい半教師付き2次元医療セグメンテーションソリューションを提案する。
これらのパッチは、擬似ラベリングによって得られた異なるクラスの意味情報を用いて有意義に構築される。
また,コントラスト学習と相乗効果を持つ新しい整合正規化手法を提案する。
論文 参考訳（メタデータ） (2021-06-12T15:43:24Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Self supervised contrastive learning for digital histopathology [0.0]
我々はSimCLRと呼ばれる対照的な自己教師型学習手法を用いて、自然シーン画像の最先端結果を得た。
異なる種類の染色特性と分解特性とを組み合わせることで,学習した特徴の質が向上することがわかった。
学習した機能に基づいてトレーニングされた線形分類器は、デジタル病理学データセットで事前トレーニングされたネットワークが、ImageNet事前トレーニングされたネットワークよりも優れたパフォーマンスを示すことを示している。
論文 参考訳（メタデータ） (2020-11-27T19:18:45Z) - Deep Active Learning for Joint Classification & Segmentation with Weak
Annotator [22.271760669551817]
クラスアクティベーションマップ(CAM)のようなCNNの可視化と解釈手法は、一般的に、クラス予測に関連する画像領域を強調するために使用される。
本稿では,画素レベルのアノテーションを段階的に統合する能動的学習フレームワークを提案する。
提案手法は, ランダムなサンプル選択を用いることで, 最先端のCAMやAL手法よりも優れた性能を示すことを示す。
論文 参考訳（メタデータ） (2020-10-10T03:25:54Z) - Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。
オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。
提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
論文 参考訳（メタデータ） (2020-07-03T21:53:46Z)
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。