Fugu-MT 論文翻訳(概要): ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification

論文の概要: ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification

arxiv url: http://arxiv.org/abs/2207.01805v1
Date: Tue, 5 Jul 2022 04:21:35 GMT
ステータス: 処理完了
システム内更新日: 2022-07-06 14:59:26.502623
Title: ReMix: A General and Efficient Framework for Multiple Instance Learning based Whole Slide Image Classification
Title（参考訳）: ReMix: 複数インスタンス学習に基づく全スライド画像分類のための汎用的で効率的なフレームワーク
Authors: Jiawei Yang, Hanbo Chen, Yu Zhao, Fan Yang, Yao Zhang, Lei He, Jianhua Yao
Abstract要約: ワイルスライド画像(WSI)分類は、ギガピクセル解像度画像とスライドレベルのラベルを扱うために弱教師付き多重インスタンス学習(MIL)法に依存することが多い。 MILに基づくWSI分類のための汎用的で効率的なフレームワークであるReMixを提案する。
参考スコア（独自算出の注目度）: 14.78430890440035
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Whole slide image (WSI) classification often relies on deep weakly supervised multiple instance learning (MIL) methods to handle gigapixel resolution images and slide-level labels. Yet the decent performance of deep learning comes from harnessing massive datasets and diverse samples, urging the need for efficient training pipelines for scaling to large datasets and data augmentation techniques for diversifying samples. However, current MIL-based WSI classification pipelines are memory-expensive and computation-inefficient since they usually assemble tens of thousands of patches as bags for computation. On the other hand, despite their popularity in other tasks, data augmentations are unexplored for WSI MIL frameworks. To address them, we propose ReMix, a general and efficient framework for MIL based WSI classification. It comprises two steps: reduce and mix. First, it reduces the number of instances in WSI bags by substituting instances with instance prototypes, i.e., patch cluster centroids. Then, we propose a ``Mix-the-bag'' augmentation that contains four online, stochastic and flexible latent space augmentations. It brings diverse and reliable class-identity-preserving semantic changes in the latent space while enforcing semantic-perturbation invariance. We evaluate ReMix on two public datasets with two state-of-the-art MIL methods. In our experiments, consistent improvements in precision, accuracy, and recall have been achieved but with orders of magnitude reduced training time and memory consumption, demonstrating ReMix's effectiveness and efficiency. Code is available.
Abstract（参考訳）: 全体スライド画像(wsi)の分類は、ギガピクセル解像度画像とスライドレベルラベルを扱うために、深い弱い教師付き複数インスタンス学習(mil)メソッドに依存することが多い。しかし、ディープラーニングの十分なパフォーマンスは、大量のデータセットと多様なサンプルを活用することによるものであり、大規模なデータセットへのスケーリングのための効率的なトレーニングパイプラインと、サンプルの多様化のためのデータ拡張技術の必要性を喚起している。しかし、現在のmilベースのwsi分類パイプラインは、通常数万のパッチを計算用の袋として組み立てるので、メモリ消費と計算効率が低下する。一方、他のタスクで人気があるにもかかわらず、データ拡張はWSI MILフレームワークでは未検討である。そこで本研究では,MILに基づくWSI分類のための汎用的で効率的なフレームワークであるReMixを提案する。還元と混合の2段階からなる。まず、インスタンスプロトタイプ、すなわちpatch cluster centroidsでインスタンスを置換することで、wsi bagのインスタンス数を減らす。次に,オンライン,確率的,柔軟な潜在空間拡張を4つ含む ``mix-the-bag'' 拡張法を提案する。セマンティクス-摂動不変性(semantic-perturbation invariance)を強制しながら、潜在空間に多様で信頼性の高いクラスid保存セマンティクス変化をもたらす。現状の2つのMIL法を用いた2つの公開データセット上でReMixを評価する。実験では、正確性、正確性、リコールの一貫した改善が達成されたが、トレーニング時間とメモリ消費は桁違いに減少し、remixの有効性と効率が実証された。コードは利用可能。

関連論文リスト

Rethinking Multiple Instance Learning for Whole Slide Image Classification: A Bag-Level Classifier is a Good Instance-Level Teacher [22.080213609228547]
複数のインスタンス学習は、WSI(Whole Slide Image)分類において約束されている。既存の手法は一般に2段階のアプローチを採用しており、学習不可能な特徴埋め込み段階と分類器訓練段階からなる。バッグレベルの分類器は、良いインスタンスレベルの教師になれると提案する。
論文参考訳（メタデータ） (2023-12-02T10:16:03Z)
Large-scale Fully-Unsupervised Re-Identification [78.47108158030213]
大規模未ラベルデータから学ぶための2つの戦略を提案する。第1の戦略は、近傍関係に違反することなく、それぞれのデータセットサイズを減らすために、局所的な近傍サンプリングを行う。第2の戦略は、低時間上限の複雑さを持ち、メモリの複雑さを O(n2) から O(kn) に k n で還元する新しい再帰的手法を利用する。
論文参考訳（メタデータ） (2023-07-26T16:19:19Z)
Pseudo-Bag Mixup Augmentation for Multiple Instance Learning-Based Whole Slide Image Classification [18.679580844360615]
我々は,MILモデルのトレーニングを改善するために,Pseudo-bag Mixup (PseMix)データ拡張方式を提案する。提案手法は,一般画像のMixup戦略を疑似バグにより特別なWSIに一般化する。効率的で分離された手法として設計されており、時間を要する操作やMILモデルの予測に依存しない。
論文参考訳（メタデータ） (2023-06-28T13:02:30Z)
Compound Batch Normalization for Long-tailed Image Classification [77.42829178064807]
本稿では,ガウス混合に基づく複合バッチ正規化法を提案する。機能空間をより包括的にモデル化し、ヘッドクラスの優位性を減らすことができる。提案手法は,画像分類における既存の手法よりも優れている。
論文参考訳（メタデータ） (2022-12-02T07:31:39Z)
Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。本手法は,検索性能の最先端手法を3%～6%向上させる。
論文参考訳（メタデータ） (2022-11-29T14:52:38Z)
ScoreMix: A Scalable Augmentation Strategy for Training GANs with Limited Data [93.06336507035486]
GAN(Generative Adversarial Networks)は通常、限られたトレーニングデータが利用できる場合、過度に適合する。 ScoreMixは、様々な画像合成タスクのための、新しくスケーラブルなデータ拡張手法である。
論文参考訳（メタデータ） (2022-10-27T02:55:15Z)
Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文参考訳（メタデータ） (2022-06-22T07:00:39Z)
Accounting for Dependencies in Deep Learning Based Multiple Instance Learning for Whole Slide Imaging [8.712556146101953]
多重インスタンス学習(MIL)は、スライド画像全体(WSI)を分類するための鍵となるアルゴリズムである。ヒストロジー WSI には数十億ピクセルのピクセルがあり、膨大な計算とアノテーションの課題を生み出す。本稿では,インスタンスの擬似ラベルに基づくインスタンス単位の損失関数を提案する。
論文参考訳（メタデータ） (2021-11-01T06:50:33Z)
Improving Calibration for Long-Tailed Recognition [68.32848696795519]
このようなシナリオにおけるキャリブレーションとパフォーマンスを改善する2つの方法を提案します。異なるサンプルによるデータセットバイアスに対して,シフトバッチ正規化を提案する。提案手法は,複数の長尾認識ベンチマークデータセットに新しいレコードをセットする。
論文参考訳（メタデータ） (2021-04-01T13:55:21Z)
Attentional-Biased Stochastic Gradient Descent [74.49926199036481]
深層学習におけるデータ不均衡やラベルノイズ問題に対処するための証明可能な手法(ABSGD)を提案する。本手法は運動量SGDの簡易な修正であり,各試料に個別の重み付けを行う。 ABSGDは追加コストなしで他の堅牢な損失と組み合わせられるほど柔軟である。
論文参考訳（メタデータ） (2020-12-13T03:41:52Z)
Dual-stream Multiple Instance Learning Network for Whole Slide Image Classification with Self-supervised Contrastive Learning [16.84711797934138]
スライド画像全体分類(WSI)の課題に対処する。 WSI分類は、スライドレベルラベルのみが利用可能である場合、多重インスタンス学習(MIL)問題としてキャストすることができる。局所アノテーションを必要としないWSI分類と腫瘍検出のためのMILベースの手法を提案する。
論文参考訳（メタデータ） (2020-11-17T20:51:15Z)

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。