論文の概要: Test Time Transform Prediction for Open Set Histopathological Image Recognition

• arxiv url: http://arxiv.org/abs/2206.10033v1
• Date: Mon, 20 Jun 2022 22:39:48 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-22 16:56:37.260166
• Title: Test Time Transform Prediction for Open Set Histopathological Image Recognition
• Title（参考訳）: open set histopathological image recognitionにおけるテスト時間変換予測
• Authors: Adrian Galdran. Katherine J. Hewitt, Narmin L. Ghaffari, Jakob N. Kather, Gustavo Carneiro, Miguel A. Gonz\'alez Ballester
• Abstract要約: 本稿では,画像カテゴリを正確に識別するモデルのトレーニングに基づく,オープンセットのヒストロジ的画像認識のための新しいアプローチを提案する。 テスト時間において、我々はこの変換を予測するためのモデル信頼度を測定し、オープンセットの画像に対してより低い値が期待できる。 組織像から大腸癌評価の文脈を総合的に検討した。
• 参考スコア（独自算出の注目度）: 11.540822622379176
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tissue typology annotation in Whole Slide histological images is a complex and tedious, yet necessary task for the development of computational pathology models. We propose to address this problem by applying Open Set Recognition techniques to the task of jointly classifying tissue that belongs to a set of annotated classes, e.g. clinically relevant tissue categories, while rejecting in test time Open Set samples, i.e. images that belong to categories not present in the training set. To this end, we introduce a new approach for Open Set histopathological image recognition based on training a model to accurately identify image categories and simultaneously predict which data augmentation transform has been applied. In test time, we measure model confidence in predicting this transform, which we expect to be lower for images in the Open Set. We carry out comprehensive experiments in the context of colorectal cancer assessment from histological images, which provide evidence on the strengths of our approach to automatically identify samples from unknown categories. Code is released at https://github.com/agaldran/t3po .
• Abstract（参考訳）: 全体のスライド組織像における組織型分類は複雑で退屈で、計算病理モデルの開発に必要なタスクである。 本研究は, 臨床関連組織カテゴリなどの注釈付きクラスに属する組織を共同分類する作業に対して, オープンセット認識技術を適用し, テスト時間帯のオープンセットサンプル, トレーニングセットに存在しないカテゴリに属するイメージを拒絶することで, この問題に対処することを提案する。 そこで本研究では,画像カテゴリを正確に識別するモデルを訓練し,どのデータ拡張変換が適用されたかを同時に予測する手法を提案する。 テスト時間において、我々はこの変換を予測するためのモデル信頼度を測定し、オープンセットの画像に対してより低い値が期待できる。 病理組織学的画像から大腸癌評価の文脈において総合的な実験を行い,未知のカテゴリのサンプルを自動的に同定する手法の強みを示す。 コードはhttps://github.com/agaldran/t3poでリリースされる。

関連論文リスト

• Reinforcing Pre-trained Models Using Counterfactual Images [54.26310919385808]
  本稿では,言語誘導型生成対実画像を用いた分類モデル強化のための新しいフレームワークを提案する。 逆ファクト画像データセットを用いてモデルをテストすることにより、モデルの弱点を同定する。 我々は、分類モデルを微調整し強化するために、デファクトイメージを拡張データセットとして採用する。
  論文  参考訳（メタデータ） (2024-06-19T08:07:14Z)
• Self-Contrastive Weakly Supervised Learning Framework for Prognostic Prediction Using Whole Slide Images [3.6330373579181927]
  予測は、基底の真理ラベルが本質的に弱いため、独特な挑戦となる。 そこで本研究では, ネットワークを用いた組織分割アルゴリズムを用いて, 関心領域の抽出を行う新しい3部フレームワークを提案する。 AUCは再発率0.721, 再発率0.678, 治療成績予測は0.678であった。
  論文  参考訳（メタデータ） (2024-05-24T06:45:36Z)
• Cross-modulated Few-shot Image Generation for Colorectal Tissue Classification [58.147396879490124]
  XM-GANと名づけられた少数ショット生成法は,1塩基と1対の参照組織像を入力とし,高品質で多様な画像を生成する。 我々の知る限りでは、大腸組織像の少数ショット生成を最初に調査した人物である。
  論文  参考訳（メタデータ） (2023-04-04T17:50:30Z)
• Zero-shot Model Diagnosis [80.36063332820568]
  ディープラーニングモデルを評価するための一般的なアプローチは、興味のある属性を持つラベル付きテストセットを構築し、そのパフォーマンスを評価することである。 本稿では,ゼロショットモデル診断(ZOOM)がテストセットやラベル付けを必要とせずに可能であることを論じる。
  論文  参考訳（メタデータ） (2023-03-27T17:59:33Z)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• Robust Interactive Semantic Segmentation of Pathology Images with Minimal User Input [1.5328185694137677]
  組織像の異なる組織タイプを正確にアノテートするために,ユーザからの最小限の入力を必要とする,効率的なインタラクティブセグメンテーションネットワークを提案する。 提案手法は対話型アノテーション処理を高速化するだけでなく,既存の自動および対話型領域分割モデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-08-30T16:43:03Z)
• Ensembling with Deep Generative Views [72.70801582346344]
  生成モデルは、色やポーズの変化などの現実世界の変動を模倣する人工画像の「ビュー」を合成することができる。 そこで本研究では, 画像分類などの下流解析作業において, 実画像に適用できるかどうかを検討する。 StyleGAN2を再生増強の源として使用し、顔の属性、猫の顔、車を含む分類タスクについてこの設定を調査します。
  論文  参考訳（メタデータ） (2021-04-29T17:58:35Z)
• 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)
• Cluster Activation Mapping with Applications to Medical Imaging [4.98888193036705]
  Cluster Activation Mapping (CLAM) を生成する手法を開発した。 サルコイドーシス集団の3次元CTに応用し, 純粋なCTスキャンによる新しいサルコイドーシスのクラスターを同定した。
  論文  参考訳（メタデータ） (2020-10-09T20:37:09Z)
• Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
  組織像解析のための教師なし領域適応のための新しい手法を提案する。 特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。 実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
  論文  参考訳（メタデータ） (2020-08-21T04:53:44Z)
• Semi-supervised Medical Image Classification with Relation-driven Self-ensembling Model [71.80319052891817]
  医用画像分類のための関係駆動型半教師付きフレームワークを提案する。 これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。 本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
  論文  参考訳（メタデータ） (2020-05-15T06:57:54Z)

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。