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
- 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) - PathoDuet: Foundation Models for Pathological Slide Analysis of H&E and
IHC Stains [2.77305170426095]
PathoDuetは,病理組織像の事前学習モデルであり,病理組織学における新たな自己教師型学習フレームワークである。
このフレームワークは、新しく導入されたプリテキストトークンと後続のタスクライザーによって特徴付けられ、画像間の特定の関係を明示的に活用する。
これに基づいて、ヘマトキシリンとエオシンの画像上でモデルを事前訓練するために、クロススケール位置決めとクロスステイン転送という2つのプレテキストタスクが設計された。
論文 参考訳(メタデータ) (2023-12-15T15:45:52Z) - 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) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳(メタデータ) (2022-03-01T16:14:41Z) - 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) - Colorectal Polyp Classification from White-light Colonoscopy Images via
Domain Alignment [57.419727894848485]
大腸内視鏡画像からの正確な診断を支援するためには,コンピュータ支援診断システムが必要である。
これまでのほとんどの研究では、Narrow-Band Imaging (NBI) や他の拡張画像を用いて、ポリプの分化モデルの開発を試みている。
正確な大腸ポリープ分類のための教師/学生アーキテクチャに基づく新しい枠組みを提案する。
論文 参考訳(メタデータ) (2021-08-05T09:31:46Z) - 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。