論文の概要: Patch Selection for Melanoma Classification
- arxiv url: http://arxiv.org/abs/2206.13626v1
- Date: Mon, 27 Jun 2022 20:52:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-07-02 19:18:20.317950
- Title: Patch Selection for Melanoma Classification
- Title（参考訳）: メラノーマ分類のためのパッチ選択
- Authors: Guillaume Lachaud, Patricia Conde-Cespedes, Maria Trocan
- Abstract要約: エントロピーとスペクトル類似度基準という,パッチを選択するための2つの基準について検討する。
パッチのサブセット上で畳み込みニューラルネットワークをトレーニングし、トレーニング時間を解析する。
その結果, 前処理時間が少ないことに加えて, スペクトル類似度基準に基づいて選択したパッチのデータセットに基づいて訓練した分類器が, スペクトル類似度基準に基づいて選択したデータセットよりも高速に収束していることが判明した。
- 参考スコア（独自算出の注目度）: 1.4631523634811392
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: In medical image processing, the most important information is often located
on small parts of the image. Patch-based approaches aim at using only the most
relevant parts of the image. Finding ways to automatically select the patches
is a challenge. In this paper, we investigate two criteria to choose patches:
entropy and a spectral similarity criterion. We perform experiments at
different levels of patch size. We train a Convolutional Neural Network on the
subsets of patches and analyze the training time. We find that, in addition to
requiring less preprocessing time, the classifiers trained on the datasets of
patches selected based on entropy converge faster than on those selected based
on the spectral similarity criterion and, furthermore, lead to higher accuracy.
Moreover, patches of high entropy lead to faster convergence and better
accuracy than patches of low entropy.
- Abstract（参考訳）: 医用画像処理において、最も重要な情報は画像の小さな部分に置かれることが多い。
パッチベースのアプローチは、イメージの最も関連する部分のみを使用することを目標としている。
パッチを自動的に選択する方法を見つけることは難しい。
本稿では,パッチ選択のための2つの基準,エントロピーとスペクトル類似性基準について検討する。
我々は異なるレベルのパッチサイズで実験を行う。
パッチのサブセット上で畳み込みニューラルネットワークをトレーニングし、トレーニング時間を解析する。
その結果,前処理時間が少ないことに加えて,エントロピーに基づいて選択されたパッチのデータセットに基づいて訓練された分類器は,スペクトル類似度基準に基づいて選択されたデータセットよりも収束が速く,さらに精度も高いことがわかった。
さらに、高いエントロピーのパッチは、低いエントロピーのパッチよりも高速な収束と精度をもたらす。
関連論文リスト
- Efficient Classification of Histopathology Images [5.749787074942512]
腫瘍領域を付加した画像を用いて,腫瘍のパッチセットと良性パッチセットを癌スライドで同定した。
これはパッチレベルの分類において重要な問題となり、"cancerous"とラベル付けされた画像からのパッチの大部分は実際には腫瘍のないものである。
論文 参考訳（メタデータ） (2024-09-08T17:41:04Z) - Semi-supervised 3D Object Detection with PatchTeacher and PillarMix [71.4908268136439]
現在の半教師付き3Dオブジェクト検出法では、教師が学生に擬似ラベルを生成するのが一般的である。
学生に高品質な擬似ラベルを提供するために,部分的なシーン3Dオブジェクト検出に焦点を当てたPatchTeacherを提案する。
本稿では,PatchTeacherの性能向上のために,Patch Normalizer,Quadrant Align,Fovea Selectionの3つの重要なテクニックを紹介する。
論文 参考訳（メタデータ） (2024-07-13T06:58:49Z) - Class-relevant Patch Embedding Selection for Few-Shot Image Classification [10.102079949259043]
クラス関連パッチの埋め込みを選択する新しい方法を提案する。
我々の戦略は、クラス非関連パッチ埋め込みの影響を効果的に軽減し、事前訓練されたモデルの性能を向上させる。
論文 参考訳（メタデータ） (2024-05-06T02:13:32Z) - Learning to Embed Time Series Patches Independently [5.752266579415516]
近年,時系列モデリングは時系列の自己教師型表現学習戦略として注目されている。
このようなパッチをキャプチャすることは、時系列表現学習の最適戦略ではないかもしれない、と我々は主張する。
本論文では,1)他のパッチを見ることなく各パッチを自動エンコードするシンプルなパッチ再構築タスク,2)個別に各パッチを埋め込むシンプルなパッチワイド再構築タスクを提案する。
論文 参考訳（メタデータ） (2023-12-27T06:23:29Z) - Domain Adaptive Synapse Detection with Weak Point Annotations [63.97144211520869]
弱点アノテーションを用いたドメイン適応型シナプス検出のためのフレームワークであるAdaSynを提案する。
I SBI 2023のWASPSYNチャレンジでは、我々の手法が第1位にランクインした。
論文 参考訳（メタデータ） (2023-08-31T05:05:53Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - Differentiable Point-Based Radiance Fields for Efficient View Synthesis [57.56579501055479]
本稿では,効率的な新規ビュー合成のための微分可能レンダリングアルゴリズムを提案する。
我々の手法は、トレーニングと推論の両方において、NeRFよりも最大300倍高速である。
ダイナミックなシーンでは,STNeRFよりも2桁早く,ほぼインタラクティブなレートでレンダリングを行う。
論文 参考訳（メタデータ） (2022-05-28T04:36:13Z) - Bag of Visual Words (BoVW) with Deep Features -- Patch Classification
Model for Limited Dataset of Breast Tumours [11.731001328350985]
Bag of Visual Words (BoVW) は機能セレクタとして使われ、CNNの機能の中でほとんどの識別機能を選択する。
パイプラインは、識別パッチを選択するためにパッチ予測の後処理を必要としないため、エンドツーエンドである。
論文 参考訳（メタデータ） (2022-02-22T07:19:18Z) - A Hierarchical Transformation-Discriminating Generative Model for Few
Shot Anomaly Detection [93.38607559281601]
各トレーニングイメージのマルチスケールパッチ分布をキャプチャする階層的生成モデルを開発した。
この異常スコアは、スケール及び画像領域にわたる正しい変換のパッチベースの投票を集約して得られる。
論文 参考訳（メタデータ） (2021-04-29T17:49:48Z) - Rethinking Generative Zero-Shot Learning: An Ensemble Learning
Perspective for Recognising Visual Patches [52.67723703088284]
我々はMPGAN(Multi-patch Generative Adversarial Nets)と呼ばれる新しいフレームワークを提案する。
MPGANは、新しい重み付き投票戦略で、ローカルパッチ機能とラベルが見えないクラスを合成する。
MPGANは最先端の手法よりもはるかに精度が高い。
論文 参考訳（メタデータ） (2020-07-27T05:49:44Z)
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。