論文の概要: Towards Measuring Domain Shift in Histopathological Stain Translation in an Unsupervised Manner

• arxiv url: http://arxiv.org/abs/2205.04368v1
• Date: Mon, 9 May 2022 15:18:12 GMT
• ステータス: 処理完了
• システム内更新日: 2022-05-10 17:36:10.955536
• Title: Towards Measuring Domain Shift in Histopathological Stain Translation in an Unsupervised Manner
• Title（参考訳）: 病理組織学的染色翻訳における領域シフトの教師なし計測に向けて
• Authors: Zeeshan Nisar, Jelica Vasiljevi\'c, Pierre Gan\c{c}arski, Thomas Lampert
• Abstract要約: 本稿では,PixelCNNとドメインシフト指標を用いて,デジタル病理学におけるドメインシフトの検出と定量化を行う。 発見は、(ソースデータに基づいてトレーニングされた)モデルの平均的なパフォーマンスを、目に見えないターゲットデータと遅延しないターゲットデータに基づいて推測するメカニズムの道を開く。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Domain shift in digital histopathology can occur when different stains or scanners are used, during stain translation, etc. A deep neural network trained on source data may not generalise well to data that has undergone some domain shift. An important step towards being robust to domain shift is the ability to detect and measure it. This article demonstrates that the PixelCNN and domain shift metric can be used to detect and quantify domain shift in digital histopathology, and they demonstrate a strong correlation with generalisation performance. These findings pave the way for a mechanism to infer the average performance of a model (trained on source data) on unseen and unlabelled target data.
• Abstract（参考訳）: デジタル病理学におけるドメインシフトは、異なる染色やスキャナーを使用する場合や、染色翻訳時に起こることがある。 ソースデータに基づいてトレーニングされたディープニューラルネットワークは、いくつかのドメインシフトを実行したデータにうまく一般化できない可能性がある。 ドメインシフトに対して堅牢になるための重要なステップは、それを検出して測定する能力です。 本稿では,pixelcnn と domain shift metric を用いてデジタル病理組織学におけるドメインシフトの検出と定量化を行い,一般化性能と強い相関関係を示す。 これらの発見は、(ソースデータに基づいて訓練された)モデルの平均性能を未発見のターゲットデータで推定するメカニズムへの道を開いた。

関連論文リスト

• S4DL: Shift-sensitive Spatial-Spectral Disentangling Learning for Hyperspectral Image Unsupervised Domain Adaptation [73.90209847296839]
  ハイパースペクトル画像(HSI)分類において広く研究されている教師なし領域適応技術は、ラベル付きソースドメインデータとラベルなしターゲットドメインデータを使用することを目的としている。 シフト感応型空間スペクトル遠方学習(S4DL)手法を提案する。 いくつかのクロスステージなHSIデータセットの実験は、S4DLが最先端のUDA法よりも優れていることを一貫して検証した。
  論文  参考訳（メタデータ） (2024-08-11T15:58:24Z)
• Adversarial Learning for Feature Shift Detection and Correction [45.65548560695731]
  機能シフトは、複数のセンサデータ、一部のセンサが機能不全である、あるいは構造化データ、欠陥のある標準化とデータ処理パイプラインが誤った機能につながる、など、多くのデータセットで起こりうる。 そこで本研究では,2つの分布を区別するために訓練された複数の識別器から得られる情報を用いて,破損した特徴を検知し,それらを修正することにより,データセット間の分布シフトを除去する。
  論文  参考訳（メタデータ） (2023-12-07T18:58:40Z)
• Dis-AE: Multi-domain & Multi-task Generalisation on Real-World Clinical Data [0.0]
  本稿では,新しい非交叉型オートエンコーダ(Dis-AE)ニューラルネットワークアーキテクチャを提案する。 Dis-AEは、医療測定のマルチラベル分類のためのドメイン不変データ表現を学習する。 人工的データセットと血液提供者からの全血液量(FBC)データに基づいて,モデルの領域一般化能力を評価する。
  論文  参考訳（メタデータ） (2023-06-15T14:56:37Z)
• Domain shifts in dermoscopic skin cancer datasets: Evaluation of essential limitations for clinical translation [0.0]
  メタデータに基づいて,ISICアーカイブから公開されている画像をグループ化し,意味のある領域を生成する。 複数の定量化手法を用いて、領域シフトの存在と強度を推定した。 グループ化されたドメインのほとんどでは、実際にはドメインシフトが存在します。
  論文  参考訳（メタデータ） (2023-04-14T07:38:09Z)
• Adapting to Latent Subgroup Shifts via Concepts and Proxies [82.01141290360562]
  最適ターゲット予測器は、ソースドメインでのみ利用できる概念とプロキシ変数の助けを借りて、非パラメトリックに識別可能であることを示す。 本研究では,データ生成プロセスに特有の潜在変数モデルを提案する。
  論文  参考訳（メタデータ） (2022-12-21T18:30:22Z)
• Inter-Semantic Domain Adversarial in Histopathological Images [0.0]
  コンピュータビジョンにおいて、データシフトは安全で堅牢なディープラーニングアプリケーションにとって大きな障壁であることが証明されている。 すべての利用可能なデータを使用して、モデルがデータシフトに対して堅牢にできる範囲を理解することが重要です。
  論文  参考訳（メタデータ） (2022-01-22T12:55:59Z)
• Embracing the Disharmony in Heterogeneous Medical Data [12.739380441313022]
  医療画像データの不均一性は、しばしば機械学習の文脈でドメイン不変性を用いて取り組まれる。 本論文は異種性を受け入れ,マルチタスク学習問題として扱う。 提案手法は,主分類タスクにおけるデータセット間の分類精度を5～30%向上することを示す。
  論文  参考訳（メタデータ） (2021-03-23T21:36:39Z)
• TraND: Transferable Neighborhood Discovery for Unsupervised Cross-domain Gait Recognition [77.77786072373942]
  本稿では、教師なしクロスドメイン歩行認識のための領域ギャップを橋渡しするTransferable Neighborhood Discovery (TraND) フレームワークを提案する。 我々は、潜在空間におけるラベルなしサンプルの自信ある近傍を自動的に発見するために、エンドツーエンドのトレーニング可能なアプローチを設計する。 提案手法は,CASIA-BとOU-LPの2つの公開データセットに対して,最先端の結果を得る。
  論文  参考訳（メタデータ） (2021-02-09T03:07:07Z)
• Domain Generalization for Medical Imaging Classification with Linear-Dependency Regularization [59.5104563755095]
  本稿では,医用画像分類分野におけるディープニューラルネットワークの一般化能力向上のための,シンプルだが効果的なアプローチを提案する。 医用画像の領域変数がある程度コンパクトであることに感銘を受けて,変分符号化による代表的特徴空間の学習を提案する。
  論文  参考訳（メタデータ） (2020-09-27T12:30:30Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)

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。