論文の概要: One Model is All You Need: Multi-Task Learning Enables Simultaneous
Histology Image Segmentation and Classification
- arxiv url: http://arxiv.org/abs/2203.00077v1
- Date: Mon, 28 Feb 2022 20:22:39 GMT
- ステータス: 処理完了
- システム内更新日: 2022-03-02 14:21:30.960737
- Title: One Model is All You Need: Multi-Task Learning Enables Simultaneous
Histology Image Segmentation and Classification
- Title(参考訳): マルチタスク学習は、ヒストロジー画像のセグメンテーションと分類を同時に可能にする
- Authors: Simon Graham, Quoc Dang Vu, Mostafa Jahanifar, Fayyaz Minhas, David
Snead and Nasir Rajpoot
- Abstract要約: 組織領域のセグメンテーションと分類のためのマルチタスク学習手法を提案する。
一つのネットワークで同時予測を可能にする。
また,機能共有の結果,学習した表現が下流タスクの改善に有効であることを示す。
- 参考スコア(独自算出の注目度): 3.8725005247905386
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: The recent surge in performance for image analysis of digitised pathology
slides can largely be attributed to the advance of deep learning. Deep models
can be used to initially localise various structures in the tissue and hence
facilitate the extraction of interpretable features for biomarker discovery.
However, these models are typically trained for a single task and therefore
scale poorly as we wish to adapt the model for an increasing number of
different tasks. Also, supervised deep learning models are very data hungry and
therefore rely on large amounts of training data to perform well. In this paper
we present a multi-task learning approach for segmentation and classification
of nuclei, glands, lumen and different tissue regions that leverages data from
multiple independent data sources. While ensuring that our tasks are aligned by
the same tissue type and resolution, we enable simultaneous prediction with a
single network. As a result of feature sharing, we also show that the learned
representation can be used to improve downstream tasks, including nuclear
classification and signet ring cell detection. As part of this work, we use a
large dataset consisting of over 600K objects for segmentation and 440K patches
for classification and make the data publicly available. We use our approach to
process the colorectal subset of TCGA, consisting of 599 whole-slide images, to
localise 377 million, 900K and 2.1 million nuclei, glands and lumen
respectively. We make this resource available to remove a major barrier in the
development of explainable models for computational pathology.
- Abstract(参考訳): 最近のデジタル化病理スライドの画像解析のパフォーマンスの上昇は、深層学習の進歩によるものと考えられる。
深層モデルは、組織内の様々な構造を最初に局在させることで、バイオマーカーの発見のための解釈可能な特徴の抽出を容易にする。
しかしながら、これらのモデルは通常、単一のタスクのためにトレーニングされているため、さまざまなタスクにモデルを適応したいと願っているため、スケールが悪くなります。
また、教師付きディープラーニングモデルは、非常にデータに飢えているため、十分なトレーニングデータに依存している。
本稿では,複数の独立したデータソースからのデータを活用する,核,腺,腔および組織領域の分割と分類のためのマルチタスク学習手法を提案する。
タスクが同じ組織タイプと解像度で一致していることを保証する一方で、単一のネットワークで同時予測を可能にします。
また,特徴共有の結果,核分類やシグナレットリング細胞検出などの下流作業を改善するために,学習した表現が利用できることを示した。
この作業の一環として、セグメント化のための600Kオブジェクトと分類のための440Kパッチからなる大規模なデータセットを使用して、データを公開しています。
599枚の全スライディング画像からなるTCGAの大腸サブセットを,それぞれ377万,900万,2100万の核,腺,ルーメンの局在化に利用した。
計算病理学における説明可能なモデルの開発において,大きな障壁を取り除くために,このリソースを利用できるようにした。
関連論文リスト
- Multi-Domain Data Aggregation for Axon and Myelin Segmentation in Histology Images [0.5825410941577593]
組織像における軸索とミエリンの性質の定量化は、神経変性疾患による微細構造変化に関する有用な情報を提供することができる。
ディープラーニングの進歩により、このタスクは最小限のオーバーヘッドで迅速かつ信頼性が高くなっていますが、ある研究グループによってトレーニングされたディープラーニングモデルは、他のグループによって利用されることがほとんどありません。
研究者がワークフローを円滑に実行し、加速するためにAIを利用できるようにする必要があるが、公開モデルは不十分で、メンテナンスが不十分である。
我々のアプローチは、複数の画像モダリティからのデータを集約して、アクソンとミエリンセグメンテーションのためのオープンソースで耐久性のあるツールを作成することである。
論文 参考訳(メタデータ) (2024-09-17T20:47:32Z) - Histopathological Image Classification with Cell Morphology Aware Deep Neural Networks [11.749248917866915]
本稿では,細胞形態を学習し,多数のがんタイプを同定するために事前訓練した新しいDeepCMorphモデルを提案する。
7175例の8736例の診断スライドから抽出した270K以上の組織パッチからなるPan-Cancer TCGAデータセット上で,本モジュールを事前訓練した。
提案手法は, 82%以上の精度で32種類の癌を検出でき, 従来提案されていたすべてのソリューションを4%以上上回る性能を示した。
論文 参考訳(メタデータ) (2024-07-11T16:03:59Z) - AMIGO: Sparse Multi-Modal Graph Transformer with Shared-Context
Processing for Representation Learning of Giga-pixel Images [53.29794593104923]
本稿では,スライド病理像全体に対する共有コンテキスト処理の新たな概念を提案する。
AMIGOは、組織内のセルラーグラフを使用して、患者に単一の表現を提供する。
我々のモデルは、データの20%以下で同じ性能を達成できる程度に、欠落した情報に対して強い堅牢性を示す。
論文 参考訳(メタデータ) (2023-03-01T23:37:45Z) - Multiclass Semantic Segmentation to Identify Anatomical Sub-Regions of
Brain and Measure Neuronal Health in Parkinson's Disease [2.288652563296735]
現在、脳の解剖下領域を分析して2次元の組織像を分析する機械学習モデルは利用できない。
本研究では,Nissl/HaematoxylinおよびTyrosine hydroxylase酵素(TH,ドーパミン作動性ニューロンの生存率の指標)で染色した約1000個のアノテート2次元脳画像を用いて,ベストフィットモデルを訓練した。
このモデルは、すべての画像において2つのサブリージョンコンパクト(SNCD)とレチキュラタ(SNr)を効果的に検出できる。
論文 参考訳(メタデータ) (2023-01-07T19:35:28Z) - CHALLENGER: Training with Attribution Maps [63.736435657236505]
ニューラルネットワークのトレーニングに属性マップを利用すると、モデルの正規化が向上し、性能が向上することを示す。
特に、我々の汎用的なドメインに依存しないアプローチは、ビジョン、自然言語処理、時系列タスクにおける最先端の結果をもたらすことを示す。
論文 参考訳(メタデータ) (2022-05-30T13:34:46Z) - X-Learner: Learning Cross Sources and Tasks for Universal Visual
Representation [71.51719469058666]
本稿では,X-Learnerという表現学習フレームワークを提案する。
X-Learnerは、様々なソースによって管理される複数の視覚タスクの普遍的な特徴を学習する。
X-Learnerは、追加のアノテーションやモダリティ、計算コストを使わずに、様々なタスクで強力なパフォーマンスを達成する。
論文 参考訳(メタデータ) (2022-03-16T17:23:26Z) - 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) - Relational Subsets Knowledge Distillation for Long-tailed Retinal
Diseases Recognition [65.77962788209103]
本研究では,長尾データを知識に基づいて複数のクラスサブセットに分割し,クラスサブセット学習を提案する。
モデルがサブセット固有の知識の学習に集中するように強制する。
提案手法は長期網膜疾患認識タスクに有効であることが判明した。
論文 参考訳(メタデータ) (2021-04-22T13:39:33Z) - Multi-task Semi-supervised Learning for Pulmonary Lobe Segmentation [2.8016091833446617]
肺葉のセグメンテーションは肺疾患の解析における重要な前処理課題である。
ディープラーニングベースのメソッドは、これらの従来のアプローチを上回ります。
深層マルチタスク学習は、複数の異なる構造のラベルを活用することが期待される。
論文 参考訳(メタデータ) (2021-04-22T12:33:30Z) - Modeling Shared Responses in Neuroimaging Studies through MultiView ICA [94.31804763196116]
被験者の大規模なコホートを含むグループ研究は、脳機能組織に関する一般的な結論を引き出す上で重要である。
グループ研究のための新しい多視点独立成分分析モデルを提案し、各被験者のデータを共有独立音源と雑音の線形結合としてモデル化する。
まず、fMRIデータを用いて、被験者間の共通音源の同定における感度の向上を示す。
論文 参考訳(メタデータ) (2020-06-11T17:29:53Z) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳(メタデータ) (2020-04-12T23:42:51Z)
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。