Fugu-MT 論文翻訳(概要): Evaluating histopathology transfer learning with ChampKit

論文の概要: Evaluating histopathology transfer learning with ChampKit

arxiv url: http://arxiv.org/abs/2206.06862v1
Date: Tue, 14 Jun 2022 14:00:17 GMT
ステータス: 処理完了
システム内更新日: 2022-06-15 14:03:08.688540
Title: Evaluating histopathology transfer learning with ChampKit
Title（参考訳）: champkitを用いた病理組織転移学習の評価
Authors: Jakub R. Kaczmarzyk, Tahsin M. Kurc, Shahira Abousamra, Rajarsi Gupta, Joel H. Saltz, Peter K. Koo
Abstract要約: 病理組織学は様々ながんの診断における金の基準である。近年のコンピュータビジョンの進歩、特に深層学習は、病理画像の解析に役立っている。各タスクの最先端技術は、ImageNet上のイメージ分類のために事前訓練されたベースアーキテクチャを使用することが多い。
参考スコア（独自算出の注目度）: 5.099924854569777
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: Histopathology remains the gold standard for diagnosis of various cancers. Recent advances in computer vision, specifically deep learning, have facilitated the analysis of histopathology images for various tasks, including immune cell detection and microsatellite instability classification. The state-of-the-art for each task often employs base architectures that have been pretrained for image classification on ImageNet. The standard approach to develop classifiers in histopathology tends to focus narrowly on optimizing models for a single task, not considering the aspects of modeling innovations that improve generalization across tasks. Here we present ChampKit (Comprehensive Histopathology Assessment of Model Predictions toolKit): an extensible, fully reproducible benchmarking toolkit that consists of a broad collection of patch-level image classification tasks across different cancers. ChampKit enables a way to systematically document the performance impact of proposed improvements in models and methodology. ChampKit source code and data are freely accessible at https://github.com/kaczmarj/champkit .
Abstract（参考訳）: 病理組織学は様々ながんの診断における金の基準である。近年のコンピュータビジョン、特に深層学習の進歩により、免疫細胞検出やマイクロサテライト不安定分類など、様々なタスクにおける病理組織像の分析が容易になっている。各タスクの最先端は、imagenetでイメージ分類のために事前訓練されたベースアーキテクチャを採用することが多い。病理学における分類器を開発する標準的なアプローチは、タスク間の一般化を改善するモデリング革新の側面を考慮せず、単一のタスクのためにモデルを最適化することに集中する傾向がある。本稿では,ChmpKit (Comprehensive Histopathology Assessment of Model Predictions toolKit): さまざまな癌にまたがるパッチレベルの画像分類タスクの広範なコレクションからなる,拡張可能な完全に再現可能なベンチマークツールキット。 ChampKitは、モデルと方法論における提案された改善の効果を体系的に文書化する方法を提供する。 ChampKitのソースコードとデータはhttps://github.com/kaczmarj/champkit.comで自由にアクセスできる。

関連論文リスト

GPC: Generative and General Pathology Image Classifier [2.6954348706500766]
本稿では,GPCと呼ばれるタスク依存型画像分類器を提案する。 GPCは、病理画像を高次元の特徴空間にマッピングし、テキストとして関連するクラスラベルを生成する。我々は,4つの病理画像分類タスクに対して,GPCを6つのデータセットで評価した。
論文参考訳（メタデータ） (2024-07-12T06:54:31Z)
Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文参考訳（メタデータ） (2024-07-10T17:00:57Z)
Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
論文参考訳（メタデータ） (2024-03-19T09:28:19Z)
UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
論文参考訳（メタデータ） (2024-02-20T11:50:27Z)
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)
From Modern CNNs to Vision Transformers: Assessing the Performance, Robustness, and Classification Strategies of Deep Learning Models in Histopathology [1.8947504307591034]
我々は、広範囲の分類モデルを広範囲に評価する新しい手法を開発した。広く使用されている5つの病理組織学的データセットを用いて,そのモデルを徹底的に検証した。既存の解釈可能性手法を拡張し、モデルの分類戦略に関する洞察を体系的に明らかにする。
論文参考訳（メタデータ） (2022-04-11T12:26:19Z)
Domain Generalization for Mammography Detection via Multi-style and Multi-view Contrastive Learning [47.30824944649112]
限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
論文参考訳（メタデータ） (2021-11-21T14:29:50Z)
MetaHistoSeg: A Python Framework for Meta Learning in Histopathology Image Segmentation [3.738450972771192]
MetaHistoSegはメタ学習とインスタンスベースのトランスファー学習の両方でユニークなシナリオを実装するPythonフレームワークです。また、さまざまながんタイプのアウト・オブ・ディストリビューションパフォーマンスに関するモデルをトレーニングし、検証するためのベンチマークデータセットである、病理組織学的メタデータセットもキュレートします。実験では、メタデータセットでMetaHistoSegの使用例を示し、メタ学習とインスタンスベースのトランスファー学習の両方が平均的に同等の結果をもたらすことを発見した。
論文参考訳（メタデータ） (2021-09-29T23:05:04Z)
Meta-learning One-class Classifiers with Eigenvalue Solvers for Supervised Anomaly Detection [55.888835686183995]
教師付き異常検出のためのニューラルネットワークに基づくメタラーニング手法を提案する。提案手法は,既存の異常検出法や少数ショット学習法よりも優れた性能を実現することを実験的に実証した。
論文参考訳（メタデータ） (2021-03-01T01:43:04Z)
Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ新しいフレームワークを提案する。
論文参考訳（メタデータ） (2020-03-17T09:51:30Z)

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。