論文の概要: Multiple Instance Learning for Digital Pathology: A Review on the
State-of-the-Art, Limitations & Future Potential
- arxiv url: http://arxiv.org/abs/2206.04425v2
- Date: Wed, 6 Dec 2023 15:20:41 GMT
- ステータス: 処理完了
- システム内更新日: 2023-12-07 19:47:15.486307
- Title: Multiple Instance Learning for Digital Pathology: A Review on the
State-of-the-Art, Limitations & Future Potential
- Title（参考訳）: デジタル病理学のためのマルチインスタンスラーニング:現状,限界,将来の可能性について
- Authors: Michael Gadermayr, Maximilian Tschuchnig
- Abstract要約: デジタルスライド画像には膨大な情報が含まれている。
ディープニューラルネットワークは、デジタル病理学の分野における様々なタスクに対して高いポテンシャルを示す。
ディープラーニングアルゴリズムは、効果的なトレーニングを可能にするために、大量の画像データに加えて、(手動)アノテーションを必要とする。
複数のインスタンス学習は、完全な注釈付きデータなしでシナリオでディープニューラルネットワークを学習するための強力なツールである。
- 参考スコア（独自算出の注目度）: 0.29008108937701327
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Digital whole slides images contain an enormous amount of information
providing a strong motivation for the development of automated image analysis
tools. Particularly deep neural networks show high potential with respect to
various tasks in the field of digital pathology. However, a limitation is given
by the fact that typical deep learning algorithms require (manual) annotations
in addition to the large amounts of image data, to enable effective training.
Multiple instance learning exhibits a powerful tool for learning deep neural
networks in a scenario without fully annotated data. These methods are
particularly effective in this domain, due to the fact that labels for a
complete whole slide image are often captured routinely, whereas labels for
patches, regions or pixels are not. This potential already resulted in a
considerable number of publications, with the majority published in the last
three years. Besides the availability of data and a high motivation from the
medical perspective, the availability of powerful graphics processing units
exhibits an accelerator in this field. In this paper, we provide an overview of
widely and effectively used concepts of used deep multiple instance learning
approaches, recent advances and also critically discuss remaining challenges
and future potential.
- Abstract（参考訳）: デジタルスライド画像には膨大な情報が含まれており、自動画像分析ツールの開発に強い動機を与えている。
特に深層ニューラルネットワークは、デジタル病理学の分野における様々なタスクに対して高いポテンシャルを示す。
しかし、この制限は、一般的なディープラーニングアルゴリズムが効果的なトレーニングを可能にするために、大量の画像データに加えて、(手動)アノテーションを必要とするという事実によって与えられる。
複数のインスタンス学習は、完全な注釈付きデータなしでシナリオでディープニューラルネットワークを学習するための強力なツールである。
これらの手法はこの領域において特に効果的であり、完全なスライド画像のラベルはしばしば日常的にキャプチャされるが、パッチ、領域、ピクセルのラベルはそうではないためである。
この可能性は既にかなりの数の出版物をもたらし、その大多数は過去3年間に出版された。
データの可用性と医学的な視点による高いモチベーションに加えて、強力なグラフィック処理ユニットの可用性はこの分野においてアクセラレーターを示している。
本稿では,多種多種多様なインスタンス学習手法の広範かつ効果的に活用されている概念の概要,最近の進歩,残る課題と今後の可能性について批判的に論じる。
関連論文リスト
- Assistive Image Annotation Systems with Deep Learning and Natural Language Capabilities: A Review [0.0]
本稿では、入力画像のテキスト提案、キャプション、記述をアノテータに提供するためのAI支援型ディープラーニング画像アノテーションシステムについて検討する。
各種データセットをレビューし,AI補助アノテーションシステムのトレーニングと評価にどのように貢献するかを検討する。
有望な可能性にもかかわらず、テキスト出力機能を備えたAIアシスト画像アノテーションに関する公開作業は限られている。
論文 参考訳（メタデータ） (2024-06-28T22:56:17Z) - HistoColAi: An Open-Source Web Platform for Collaborative Digital
Histology Image Annotation with AI-Driven Predictive Integration [1.5291251918989404]
デジタル病理は、その多くの利点により、病理ワークフローの標準となっている。
深層学習に基づく画像解析手法の最近の進歩は、デジタル病理学の潜在的助けとなる。
本稿では,デジタル化された組織像を視覚化・注釈するツールを効率的に提供するWebサービスを提案する。
論文 参考訳（メタデータ） (2023-07-11T10:41:09Z) - 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) - Understanding the Tricks of Deep Learning in Medical Image Segmentation:
Challenges and Future Directions [66.40971096248946]
本稿では,モデル実装の異なるフェーズに対して,MedISegの一連のトリックを収集する。
本稿では,これらの手法の有効性を一貫したベースライン上で実験的に検討する。
私たちはまた、それぞれのコンポーネントがプラグインとプレイの利点を持つ強力なMedISegリポジトリをオープンソースにしました。
論文 参考訳（メタデータ） (2022-09-21T12:30:05Z) - Automatic Image Content Extraction: Operationalizing Machine Learning in
Humanistic Photographic Studies of Large Visual Archives [81.88384269259706]
本稿では,機械学習による大規模画像アーカイブの検索と解析のための自動画像コンテンツ抽出フレームワークを提案する。
提案する枠組みは、人文科学と社会科学のいくつかの分野に適用できる。
論文 参考訳（メタデータ） (2022-04-05T12:19:24Z) - Leveraging Self-Supervision for Cross-Domain Crowd Counting [71.75102529797549]
混雑したシーンで人をカウントするための最先端の方法は、群衆密度を推定するために深いネットワークに依存します。
われわれのネットワークは、通常の画像から逆さまの実際の画像を認識できるように訓練し、その不確実性を予測する能力を組み込む。
このアルゴリズムは、推論時に余分な計算をせずに、最先端のクロスドメイン群をカウントするアルゴリズムを一貫して上回る。
論文 参考訳（メタデータ） (2021-03-30T12:37:55Z) - Generative Adversarial U-Net for Domain-free Medical Image Augmentation [49.72048151146307]
注釈付き医用画像の不足は、医用画像コンピューティングの分野における最大の課題の1つだ。
本稿では,生成逆U-Netという新しい生成手法を提案する。
当社の新しいモデルは、ドメインフリーで、さまざまな医療画像に汎用性があります。
論文 参考訳（メタデータ） (2021-01-12T23:02:26Z) - Advances in Deep Learning for Hyperspectral Image Analysis--Addressing
Challenges Arising in Practical Imaging Scenarios [7.41157183358269]
我々は,強靭なハイパースペクトル画像解析にディープラーニングを活用するコミュニティの進歩を概観する。
課題は 地上の真実と データの高次元的な性質です
具体的には,画像解析における教師なし,半教師付き,アクティブな学習手法について検討する。
論文 参考訳（メタデータ） (2020-07-16T19:51:02Z) - Generative Adversarial Networks in Digital Pathology: A Survey on Trends
and Future Potential [1.8907108368038215]
我々は,GAN(Generative Adversarial Networks)と呼ばれる,ヒストロジカルイメージデータに適用された強力なアーキテクチャのクラスに焦点を当てる。
GANは、以前難解だったこの分野のアプリケーションシナリオを可能にする。
GANの主な応用について述べ、選択した将来的なアプローチとその将来的な応用について展望する。
論文 参考訳（メタデータ） (2020-04-30T16:38:06Z) - Image Segmentation Using Deep Learning: A Survey [58.37211170954998]
イメージセグメンテーションは、画像処理とコンピュータビジョンにおいて重要なトピックである。
深層学習モデルを用いた画像セグメンテーション手法の開発を目的とした研究が,これまでに数多く行われている。
論文 参考訳（メタデータ） (2020-01-15T21:37:47Z)
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。