論文の概要: FHIST: A Benchmark for Few-shot Classification of Histological Images
- arxiv url: http://arxiv.org/abs/2206.00092v1
- Date: Tue, 31 May 2022 20:03:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-02 12:21:32.661474
- Title: FHIST: A Benchmark for Few-shot Classification of Histological Images
- Title（参考訳）: FHIST: 画像の断片的分類のためのベンチマーク
- Authors: Fereshteh Shakeri, Malik Boudiaf, Sina Mohammadi, Ivaxi Sheth,
Mohammad Havaei, Ismail Ben Ayed, Samira Ebrahimi Kahou
- Abstract要約: 画像分類にはあまり関心が寄せられていないが、現在の公開ベンチマークのほとんどは自然画像に焦点を当てている。
本稿では、様々な公開データセットから収集された高度に多様化した公開ベンチマークを、数発のヒストロジーデータ分類のために導入する。
本ベンチマークでは,最新の数ショット学習手法の性能評価を行い,単純な微調整法と正規化法が,一般的なメタラーニングやエピソディック学習のパラダイムよりも優れた結果が得られることを検証した。
- 参考スコア（独自算出の注目度）: 20.182417148565147
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Few-shot learning has recently attracted wide interest in image
classification, but almost all the current public benchmarks are focused on
natural images. The few-shot paradigm is highly relevant in medical-imaging
applications due to the scarcity of labeled data, as annotations are expensive
and require specialized expertise. However, in medical imaging, few-shot
learning research is sparse, limited to private data sets and is at its early
stage. In particular, the few-shot setting is of high interest in histology due
to the diversity and fine granularity of cancer related tissue classification
tasks, and the variety of data-preparation techniques. This paper introduces a
highly diversified public benchmark, gathered from various public datasets, for
few-shot histology data classification. We build few-shot tasks and
base-training data with various tissue types, different levels of domain shifts
stemming from various cancer sites, and different class-granularity levels,
thereby reflecting realistic scenarios. We evaluate the performances of
state-of-the-art few-shot learning methods on our benchmark, and observe that
simple fine-tuning and regularization methods achieve better results than the
popular meta-learning and episodic-training paradigm. Furthermore, we introduce
three scenarios based on the domain shifts between the source and target
histology data: near-domain, middle-domain and out-domain. Our experiments
display the potential of few-shot learning in histology classification, with
state-of-art few shot learning methods approaching the supervised-learning
baselines in the near-domain setting. In our out-domain setting, for 5-way
5-shot, the best performing method reaches 60% accuracy. We believe that our
work could help in building realistic evaluations and fair comparisons of
few-shot learning methods and will further encourage research in the few-shot
paradigm.
- Abstract（参考訳）: 少数ショット学習は最近、画像分類に広く関心を集めているが、現在の公開ベンチマークのほとんどが自然画像に焦点を当てている。
アノテーションは高価で専門的な専門知識を必要とするため、ラベル付きデータの不足のため、医療画像の応用に非常に関係がある。
しかし、医用イメージングでは、わずかなショット学習研究は乏しく、プライベートデータセットに限定され、初期段階にある。
特に、がん関連組織分類タスクの多様性と粒度、および様々なデータ準備技術により、いくつかのショットセットは組織学に高い関心を寄せている。
本稿では,様々な公開データセットから収集した高度に多様化した公開ベンチマークを紹介し,ヒストロジーデータ分類について述べる。
さまざまな組織タイプ,癌部位から発生したドメインシフトの異なるレベル,クラスグラニュラリティのレベルなど,現実のシナリオを反映した,少ないショットタスクとベーストレーニングデータを構築します。
本ベンチマークでは,最新の数ショット学習手法の性能評価を行い,簡単な微調整法と正規化法が,一般的なメタラーニングやエピソード学習のパラダイムよりも優れた結果が得られることを示した。
さらに,ソースとターゲットのヒストロジーデータ間の領域シフトに基づいて,ニアドメイン,ミドルドメイン,アウトドメインという3つのシナリオを導入する。
実験では, 近距離領域における教師付き学習ベースラインに接近する最新のショット学習手法を用いて, 組織分類における少数ショット学習の可能性を示す。
ドメイン外設定では、5-way 5-shotでは、最高の実行方法が60%の精度に達する。
我々の研究は、数ショットの学習方法の現実的な評価と公正な比較を構築するのに役立ち、数ショットのパラダイムの研究をさらに促進できると考えている。
関連論文リスト
- Cross-Domain Evaluation of Few-Shot Classification Models: Natural Images vs. Histopathological Images [2.364022147677265]
まず、自然画像のいくつかの分類モデルを訓練し、その性能を病理画像で評価する。
病理組織学的データセットを4つ,自然画像データセットを1つ導入し,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオでパフォーマンスを評価した。
論文 参考訳（メタデータ） (2024-10-11T18:25:52Z) - Few-Shot Histopathology Image Classification: Evaluating State-of-the-Art Methods and Unveiling Performance Insights [3.0830445241647313]
病理組織学的画像分類のための4つの病理組織学的データセットを検討した。
我々は,最先端の分類手法を用いて,5-way 1-shot,5-way 5-shot,5-way 10-shotのシナリオを評価した。
5-way 1-shot, 5-way 5-shot, 5-way 10-shotはそれぞれ70%, 80%, 85%の精度を達成している。
論文 参考訳（メタデータ） (2024-08-25T12:17:05Z) - MedFMC: A Real-world Dataset and Benchmark For Foundation Model
Adaptation in Medical Image Classification [41.16626194300303]
ファンデーションモデルは、多くの場合、大規模なデータで事前訓練されているが、様々なビジョンや言語アプリケーションのジャンプ開始において、最も成功している。
最近の進歩により、下流タスクにおける基礎モデルの適応は、少数のトレーニングサンプルだけで効率的に行えるようになった。
しかし, 医用画像解析におけるそのような学習パラダイムの適用は, 一般に公開されているデータやベンチマークが不足しているため, 依然として少ない。
論文 参考訳（メタデータ） (2023-06-16T01:46:07Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Significantly improving zero-shot X-ray pathology classification via fine-tuning pre-trained image-text encoders [50.689585476660554]
本稿では,正対損失緩和とランダムな文サンプリングを含む新たな微調整手法を提案する。
提案手法は,胸部X線データセットと3つの事前訓練モデル間のゼロショット病理分類を一貫して改善する。
論文 参考訳（メタデータ） (2022-12-14T06:04:18Z) - Domain Agnostic Few-Shot Learning For Document Intelligence [4.243926243206826]
ほとんどショット学習は、クラスラベルを持つ少数のサンプルだけで、新しいクラスに一般化することを目的としていない。
本研究では,ドメインシフト下での文書画像分類の問題に対処する。
論文 参考訳（メタデータ） (2021-10-29T03:19:31Z) - Learn to Ignore: Domain Adaptation for Multi-Site MRI Analysis [1.3079444139643956]
本稿では,画像に含まれるスキャナ関連の特徴を無視し,分類タスクに関連する特徴を学習する新しい手法を提案する。
本手法は,多発性硬化症患者と健常者との分類作業において,最先端の領域適応法よりも優れていた。
論文 参考訳（メタデータ） (2021-10-13T15:40:50Z) - Meta Navigator: Search for a Good Adaptation Policy for Few-shot
Learning [113.05118113697111]
少ないショット学習は、ラベル付きデータしか持たない新しいタスクに、以前のタスクから学んだ知識を適応させることを目的としている。
少数ショット学習に関する研究文献は、大きな多様性を示し、異なるアルゴリズムは、しばしば異なる少数ショット学習シナリオで優れている。
本稿では,メタナビゲータ(Meta Navigator)について紹介する。
論文 参考訳（メタデータ） (2021-09-13T07:20:01Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳（メタデータ） (2020-09-08T07:29:05Z) - Dataset Bias in Few-shot Image Recognition [57.25445414402398]
まず,基本カテゴリから学習した伝達可能能力の影響について検討する。
第2に、データセット構造と異なる少数ショット学習方法から、異なるデータセットのパフォーマンス差について検討する。
論文 参考訳（メタデータ） (2020-08-18T14:46:23Z) - Extending and Analyzing Self-Supervised Learning Across Domains [50.13326427158233]
近年,自己指導型表現学習が目覚ましい成果を上げている。
実験は主にImageNetや他の同様の大規模なインターネット画像データセット上で行われる。
我々は、前例のない様々なドメインで、いくつかのポピュラーな手法を実験した。
論文 参考訳（メタデータ） (2020-04-24T21:18:02Z)
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。