論文の概要: Attention-effective multiple instance learning on weakly stem cell colony segmentation

• arxiv url: http://arxiv.org/abs/2203.04606v1
• Date: Wed, 9 Mar 2022 09:49:02 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-11 02:50:12.297600
• Title: Attention-effective multiple instance learning on weakly stem cell colony segmentation
• Title（参考訳）: 弱幹細胞コロニーセグメンテーションにおける注意効果多重学習
• Authors: Novanto Yudistira, Muthu Subash Kavitha, Jeny Rajan, Takio Kurita
• Abstract要約: 本稿では,弱いセグメンテーションとコロニーの分類を行うために,弱教師付き環境下でのマルチインスタンス学習(MIL)を提案する。 単一モデルとして、MILコロニー分類のためのバイナリイメージレベルのラベルをトレーニングするために、U-netライクな畳み込みニューラルネットワーク(CNN)を用いる。 MIL-netの最大精度は95%であり、従来の手法よりも15%高い。
• 参考スコア（独自算出の注目度）: 8.128456930682626
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The detection of induced pluripotent stem cell (iPSC) colonies often needs the precise extraction of the colony features. However, existing computerized systems relied on segmentation of contours by preprocessing for classifying the colony conditions were task-extensive. To maximize the efficiency in categorizing colony conditions, we propose a multiple instance learning (MIL) in weakly supervised settings. It is designed in a single model to produce weak segmentation and classification of colonies without using finely labeled samples. As a single model, we employ a U-net-like convolution neural network (CNN) to train on binary image-level labels for MIL colonies classification. Furthermore, to specify the object of interest we used a simple post-processing method. The proposed approach is compared over conventional methods using five-fold cross-validation and receiver operating characteristic (ROC) curve. The maximum accuracy of the MIL-net is 95%, which is 15 % higher than the conventional methods. Furthermore, the ability to interpret the location of the iPSC colonies based on the image level label without using a pixel-wise ground truth image is more appealing and cost-effective in colony condition recognition.
• Abstract（参考訳）: 誘導多能性幹細胞(iPSC)コロニーの検出は、しばしばコロニーの特徴を正確に抽出する必要がある。 しかし、既存のコンピュータシステムは、コロニー条件を分類するための前処理による輪郭の分割に依存していた。 コロニー条件の分類における効率を最大化するために,弱教師付き環境下でのマルチインスタンス学習(MIL)を提案する。 単一のモデルで設計され、細かなラベル付きサンプルを使わずに、弱いセグメンテーションとコロニーの分類を生成する。 単一モデルとして、MILコロニー分類のためのバイナリイメージレベルのラベルをトレーニングするために、U-netライクな畳み込みニューラルネットワーク(CNN)を用いる。 さらに,興味の対象を特定するために,簡単な後処理手法を用いた。 提案手法は従来の5倍のクロスバリデーションとレシーバ動作特性(ROC)曲線を用いて比較した。 MIL-netの最大精度は95%であり、従来の手法よりも15%高い。 さらに,画素単位の基底画像を用いずに,画像レベルラベルに基づいてipscコロニーの位置を解釈する能力は,コロニー条件認識においてより魅力的で費用対効果が高い。

関連論文リスト

• Entropy Bootstrapping for Weakly Supervised Nuclei Detection [5.125790742633738]
  エントロピー推定には点ラベルを用いて,基礎となるセルピクセルの分布を近似する。 この分布から全セルマスクを推定し,Mask-RCNNを用いてインスタンス分割出力を生成する。 本手法は,95%の画素ラベルの削減にもかかわらず,比較的良好な性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-11-20T18:24:11Z)
• An efficient framework based on large foundation model for cervical cytopathology whole slide image screening [13.744580492120749]
  本稿では,教師なし・弱教師付き学習によるWSIレベルラベルのみを用いた頚部細胞病理学WSI分類のための効率的なフレームワークを提案する。 CSDおよびFNAC 2019データセットで実施された実験は、提案手法が様々なMIL手法の性能を高め、最先端(SOTA)性能を達成することを示した。
  論文  参考訳（メタデータ） (2024-07-16T08:21:54Z)
• Learning Invariant Molecular Representation in Latent Discrete Space [52.13724532622099]
  本稿では,分散シフトに対する不変性とロバスト性を示す分子表現を学習するための新しい枠組みを提案する。 我々のモデルは、様々な分布シフトが存在する場合に、最先端のベースラインに対してより強力な一般化を実現する。
  論文  参考訳（メタデータ） (2023-10-22T04:06:44Z)
• Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
  本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。 本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。 実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T02:27:02Z)
• Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
  本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。 機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。 提案手法は,画像分類における既存の手法よりも優れている。
  論文  参考訳（メタデータ） (2022-12-02T07:31:39Z)
• Hierarchical Semi-Supervised Contrastive Learning for Contamination-Resistant Anomaly Detection [81.07346419422605]
  異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。 コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。 汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-24T18:49:26Z)
• Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
  全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。 本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。 位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
  論文  参考訳（メタデータ） (2022-06-22T07:00:39Z)
• CNN Filter Learning from Drawn Markers for the Detection of Suggestive Signs of COVID-19 in CT Images [58.720142291102135]
  畳み込みニューラルネットワーク(CNN)のフィルタを推定するために,大規模な注釈付きデータセットやバックプロパゲーションを必要としない手法を提案する。 少数のCT画像に対して、ユーザは、代表的な正常領域と異常領域にマーカーを描画する。 本発明の方法は、カーネルがマークされたものに似た拡張領域に特有な一連の畳み込み層からなる特徴抽出器を生成する。
  論文  参考訳（メタデータ） (2021-11-16T15:03:42Z)
• Learning to segment clustered amoeboid cells from brightfield microscopy via multi-task learning with adaptive weight selection [6.836162272841265]
  マルチタスク学習パラダイムにおけるセルセグメンテーションのための新しい教師付き手法を提案する。 ネットワークの予測効率を向上させるために、領域とセル境界検出に基づくマルチタスク損失の組み合わせを用いる。 検証セットで全体のDiceスコアが0.93であり、これは最近の教師なし手法で15.9%以上の改善であり、一般的な教師付きU-netアルゴリズムを平均5.8%以上上回っている。
  論文  参考訳（メタデータ） (2020-05-19T11:31:53Z)
• Embedding Propagation: Smoother Manifold for Few-Shot Classification [131.81692677836202]
  本稿では, 組込み伝搬を非教師なし非パラメトリック正規化器として, 数ショット分類における多様体平滑化に用いることを提案する。 埋め込み伝播がより滑らかな埋め込み多様体を生み出すことを実証的に示す。 複数の半教師付き学習シナリオにおいて,埋め込み伝搬によりモデルの精度が最大16%向上することを示す。
  論文  参考訳（メタデータ） (2020-03-09T13:51:09Z)

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。