論文の概要: Multiple Instance Learning with Mixed Supervision in Gleason Grading

• arxiv url: http://arxiv.org/abs/2206.12798v1
• Date: Sun, 26 Jun 2022 06:28:44 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-28 15:12:47.797464
• Title: Multiple Instance Learning with Mixed Supervision in Gleason Grading
• Title（参考訳）: gleason gradingにおける混合監督による複数インスタンス学習
• Authors: Hao Bian, Zhuchen Shao, Yang Chen, Yifeng Wang, Haoqian Wang, Jian Zhang, Yongbing Zhang
• Abstract要約: 本稿では,複数インスタンス学習フレームワークに基づく複合監視トランスフォーマを提案する。 このモデルは、スライドレベルラベルとインスタンスレベルラベルの両方を使用して、より正確なGleasonグレーディングをスライドレベルで達成する。 SICAPv2データセット上での最先端性能を実現し、視覚解析により、インスタンスレベルの正確な予測結果を示す。
• 参考スコア（独自算出の注目度）: 19.314029297579577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: With the development of computational pathology, deep learning methods for Gleason grading through whole slide images (WSIs) have excellent prospects. Since the size of WSIs is extremely large, the image label usually contains only slide-level label or limited pixel-level labels. The current mainstream approach adopts multi-instance learning to predict Gleason grades. However, some methods only considering the slide-level label ignore the limited pixel-level labels containing rich local information. Furthermore, the method of additionally considering the pixel-level labels ignores the inaccuracy of pixel-level labels. To address these problems, we propose a mixed supervision Transformer based on the multiple instance learning framework. The model utilizes both slide-level label and instance-level labels to achieve more accurate Gleason grading at the slide level. The impact of inaccurate instance-level labels is further reduced by introducing an efficient random masking strategy in the mixed supervision training process. We achieve the state-of-the-art performance on the SICAPv2 dataset, and the visual analysis shows the accurate prediction results of instance level. The source code is available at https://github.com/bianhao123/Mixed_supervision.
• Abstract（参考訳）: 計算病理学の発展に伴い、スライド画像全体(WSI)を通してGleasonの深層学習手法が期待できる。 WSIsのサイズは非常に大きいため、画像ラベルは通常、スライドレベルラベルまたは限られたピクセルレベルラベルのみを含む。 現在の主流のアプローチでは、Gleasonの成績を予測するためにマルチインスタンス学習を採用している。 しかし、スライドレベルラベルのみを考慮する方法は、リッチなローカル情報を含む限られたピクセルレベルラベルを無視している。 さらに、画素レベルラベルを付加的に検討する方法は、画素レベルラベルの不正確性を無視する。 これらの問題に対処するために,複数インスタンス学習フレームワークに基づく複合監視変換器を提案する。 このモデルは、スライドレベルラベルとインスタンスレベルラベルの両方を利用して、より正確なGleasonグレーディングを実現する。 混合監視訓練プロセスにおいて,効率的なランダムマスキング戦略を導入することにより,不正確なインスタンスレベルのラベルの影響をさらに低減する。 SICAPv2データセット上での最先端性能を実現し、視覚解析により、インスタンスレベルの正確な予測結果を示す。 ソースコードはhttps://github.com/bianhao123/mixed_supervisionで入手できる。

関連論文リスト

• Superpixelwise Low-rank Approximation based Partial Label Learning for Hyperspectral Image Classification [19.535446654147126]
  キャプチャーされたハイパースペクトル画像(HSI)シーンの十分な事前知識は、専門家や自動ラベルシステムに誤ったラベルや曖昧なラベルを提供する可能性がある。 本稿では,新しい超画素単位の低ランク近似(LRA)に基づく部分ラベル学習法,SLAPを提案する。
  論文  参考訳（メタデータ） (2024-05-27T12:26:49Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Distilling Self-Supervised Vision Transformers for Weakly-Supervised Few-Shot Classification & Segmentation [58.03255076119459]
  視覚変換器(ViT)を利用した弱教師付き小ショット画像分類とセグメンテーションの課題に対処する。 提案手法は,自己監督型ViTからトークン表現を抽出し,その相関関係を利用して分類とセグメンテーションの予測を行う。 Pascal-5iとCOCO-20iの実験は、様々な監視設定において大きなパフォーマンス向上を示した。
  論文  参考訳（メタデータ） (2023-07-07T06:16:43Z)
• Combining Metric Learning and Attention Heads For Accurate and Efficient Multilabel Image Classification [0.0]
  マルチラベル分類における2つの一般的なアプローチについて再検討する。 トランスフォーマーベースヘッドはグラフベースのブランチよりも優れた結果が得られると考えられるが、適切なトレーニング戦略により、グラフベースの手法はわずかに精度の低下を示すことができると論じる。
  論文  参考訳（メタデータ） (2022-09-14T12:06:47Z)
• Large Loss Matters in Weakly Supervised Multi-Label Classification [50.262533546999045]
  まず、観測されていないラベルを負のラベルとみなし、Wタスクをノイズの多いマルチラベル分類にキャストする。 ノイズラベルを記憶しないために,大規模な損失サンプルを拒絶または補正する新しいW法を提案する。 提案手法は, 弱教師付きマルチラベル分類において, 大きな損失を適切に処理することが重要であることを検証した。
  論文  参考訳（メタデータ） (2022-06-08T08:30:24Z)
• Semantic-Aware Representation Blending for Multi-Label Image Recognition with Partial Labels [86.17081952197788]
  そこで我々は,未知のラベルを補うために,異なる画像にカテゴリ固有の表現をブレンドして,既知のラベルの情報を伝達することを提案する。 MS-COCO、Visual Genome、Pascal VOC 2007データセットの実験は、提案されたSARBフレームワークが、現在の主要な競合相手よりも優れたパフォーマンスを得ることを示している。
  論文  参考訳（メタデータ） (2022-03-04T07:56:16Z)
• DSNet: A Dual-Stream Framework for Weakly-Supervised Gigapixel Pathology Image Analysis [78.78181964748144]
  スライド画像全体(WSI)を分類するための弱教師付きフレームワークを提案する。 WSIは通常、パッチレベルのラベルを持つパッチワイド分類によって処理される。 イメージレベルのラベルのみの場合、パッチの外観とイメージレベルのラベルの矛盾のため、パッチの分類はサブ最適となる。
  論文  参考訳（メタデータ） (2021-09-13T09:10:43Z)
• Mixed Supervision Learning for Whole Slide Image Classification [88.31842052998319]
  超高解像度画像のための混合監視学習フレームワークを提案する。 パッチトレーニングの段階では、このフレームワークは、粗いイメージレベルのラベルを使用して、自己教師付き学習を洗練することができる。 画素レベルの偽陽性と偽陰性を抑制するための包括的な戦略が提案されている。
  論文  参考訳（メタデータ） (2021-07-02T09:46:06Z)
• Learning from Pixel-Level Label Noise: A New Perspective for Semi-Supervised Semantic Segmentation [12.937770890847819]
  ピクセルレベルのノイズラベルに対処するためのグラフベースのラベルノイズ検出および補正フレームワークを提案する。 特に,クラスアクティベーションマップ(cam)による弱い監督から生成した画素レベルのノイズラベルに対して,強い監督を施したクリーンセグメンテーションモデルを訓練する。 最後に,超画素ベースのグラフを用いて,画像中の画素間の空間的隣接性と意味的類似性の関係を表現する。
  論文  参考訳（メタデータ） (2021-03-26T03:23:21Z)

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。