論文の概要: Understanding the impact of image and input resolution on deep digital pathology patch classifiers

• arxiv url: http://arxiv.org/abs/2204.13829v1
• Date: Fri, 29 Apr 2022 00:17:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-02 14:28:12.419510
• Title: Understanding the impact of image and input resolution on deep digital pathology patch classifiers
• Title（参考訳）: 深部デジタル診断パッチ分類器における画像と入力解像度の影響の理解
• Authors: Eu Wern Teh, Graham W. Taylor
• Abstract要約: 画像と入力解像度がDPパッチ分類性能に及ぼす影響について検討する。 本実験は,画像と入力の解像度を両立させることにより,パッチ分類性能を向上できることを示す。 画像と入力の解像度を利用して、1%のデータでトレーニングされた最終モデルは、100%のデータでトレーニングされたモデルと同等にうまく動作します。
• 参考スコア（独自算出の注目度）: 20.298424229156506
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We consider annotation efficient learning in Digital Pathology (DP), where expert annotations are expensive and thus scarce. We explore the impact of image and input resolution on DP patch classification performance. We use two cancer patch classification datasets PCam and CRC, to validate the results of our study. Our experiments show that patch classification performance can be improved by manipulating both the image and input resolution in annotation-scarce and annotation-rich environments. We show a positive correlation between the image and input resolution and the patch classification accuracy on both datasets. By exploiting the image and input resolution, our final model trained on < 1% of data performs equally well compared to the model trained on 100% of data in the original image resolution on the PCam dataset.
• Abstract（参考訳）: 我々は,専門的アノテーションが高価であり,したがって不足しているDigital Pathology(DP)におけるアノテーションの効率的な学習について考察する。 画像と入力解像度がDPパッチ分類性能に及ぼす影響について検討する。 我々は,PCamとCRCの2つの癌パッチ分類データセットを用いて,本研究の結果を検証した。 本実験では,アノテーションやアノテーションに富んだ環境において,画像と入力解像度の両方を操作することで,パッチ分類性能の向上が期待できることを示す。 両データセットにおける画像と入力解像度の正の相関とパッチ分類精度を示す。 画像と入力解像度を活用することで、PCamデータセット上の元の画像解像度の100%のデータでトレーニングされたモデルと比較して、1%以上のデータでトレーニングされた最終モデルは同等に機能する。

関連論文リスト

• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• 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)
• Mix-up Self-Supervised Learning for Contrast-agnostic Applications [33.807005669824136]
  コントラストに依存しないアプリケーションのための,最初の混合型自己教師型学習フレームワークを提案する。 クロスドメイン・ミックスアップに基づく画像間の低分散に対処し、画像再構成と透明性予測に基づくプレテキストタスクを構築する。
  論文  参考訳（メタデータ） (2022-04-02T16:58:36Z)
• Treatment Learning Causal Transformer for Noisy Image Classification [62.639851972495094]
  本研究では,この2値情報「ノイズの存在」を画像分類タスクに組み込んで予測精度を向上させる。 因果的変動推定から動機付け,雑音画像分類のための頑健な特徴表現を潜在生成モデルを用いて推定するトランスフォーマーに基づくアーキテクチャを提案する。 また、パフォーマンスベンチマークのための幅広いノイズ要素を取り入れた、新しいノイズの多い画像データセットも作成する。
  論文  参考訳（メタデータ） (2022-03-29T13:07:53Z)
• Detect-and-Segment: a Deep Learning Approach to Automate Wound Image Segmentation [8.354517822940783]
  創傷分割マップを高一般化能力で作成するための深層学習手法を提案する。 提案手法では, 深部神経回路が創位置を検出し, 非形態的背景から創を分離し, 創節分割マップを算出した。
  論文  参考訳（メタデータ） (2021-11-02T13:39:13Z)
• A Hierarchical Transformation-Discriminating Generative Model for Few Shot Anomaly Detection [93.38607559281601]
  各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。 この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
  論文  参考訳（メタデータ） (2021-04-29T17:49:48Z)
• Mask guided attention for fine-grained patchy image classification [22.91753200323264]
  きめ細かいパッチ画像分類のためのマスク誘導注意法(MGA)を提案する。 提案手法の有効性を3つの公開パッチ画像データセットで検証する。 我々のアブレーション研究は、MGAがSoyCultivarVeinおよびBtfPISデータセットの精度を2.25%、2%向上させることを示している。
  論文  参考訳（メタデータ） (2021-02-04T17:54:50Z)
• Resolution-Based Distillation for Efficient Histology Image Classification [29.603903713682275]
  本論文では,ヒストロジー画像分類の計算効率向上のための深層学習に基づく新しい手法を提案する。 提案手法は,入力解像度を低減し,限定ラベルデータを用いて効果的にトレーニングできる画像に対して頑健である。 セリアック病(CD)と肺腺癌(LUAD)に関連する2つの組織学的画像データセットに対するアプローチを評価した。
  論文  参考訳（メタデータ） (2021-01-11T20:00:35Z)
• Dense Contrastive Learning for Self-Supervised Visual Pre-Training [102.15325936477362]
  入力画像の2つのビュー間の画素レベルでの差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分差分)を最適化することにより自己教師学習を実現する。 ベースライン法であるMoCo-v2と比較すると,計算オーバーヘッドは1%遅かった。
  論文  参考訳（メタデータ） (2020-11-18T08:42:32Z)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)

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。