論文の概要: Continual Learning for Tumor Classification in Histopathology Images
- arxiv url: http://arxiv.org/abs/2208.03609v1
- Date: Sun, 7 Aug 2022 01:04:25 GMT
- ステータス: 処理完了
- システム内更新日: 2022-08-09 12:57:56.680140
- Title: Continual Learning for Tumor Classification in Histopathology Images
- Title（参考訳）: 病理組織像における腫瘍分類の連続学習
- Authors: Veena Kaustaban, Qinle Ba, Ipshita Bhattacharya, Nahil Sobh, Satarupa
Mukherjee, Jim Martin, Mohammad Saleh Miri, Christoph Guetter, Amal
Chaturvedi
- Abstract要約: モデル忘れを緩和する継続的な学習モデルは、デジタル病理学に基づく分析で導入する必要がある。
本稿では,DP設定におけるCLシナリオを提案する。
画像の外観変化をシミュレートするために,大腸癌H&E分類のための拡張データセットを構築した。
乳腺腫瘍H&Eデータセットと大腸癌を併用し,腫瘍タイプ別にCLを評価した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Recent years have seen great advancements in the development of deep learning
models for histopathology image analysis in digital pathology applications,
evidenced by the increasingly common deployment of these models in both
research and clinical settings. Although such models have shown unprecedented
performance in solving fundamental computational tasks in DP applications, they
suffer from catastrophic forgetting when adapted to unseen data with transfer
learning. With an increasing need for deep learning models to handle ever
changing data distributions, including evolving patient population and new
diagnosis assays, continual learning models that alleviate model forgetting
need to be introduced in DP based analysis. However, to our best knowledge,
there is no systematic study of such models for DP-specific applications. Here,
we propose CL scenarios in DP settings, where histopathology image data from
different sources/distributions arrive sequentially, the knowledge of which is
integrated into a single model without training all the data from scratch. We
then established an augmented dataset for colorectal cancer H&E classification
to simulate shifts of image appearance and evaluated CL model performance in
the proposed CL scenarios. We leveraged a breast tumor H&E dataset along with
the colorectal cancer to evaluate CL from different tumor types. In addition,
we evaluated CL methods in an online few-shot setting under the constraints of
annotation and computational resources. We revealed promising results of CL in
DP applications, potentially paving the way for application of these methods in
clinical practice.
- Abstract（参考訳）: 近年、デジタル病理学応用における組織像解析のための深層学習モデルの開発が盛んに行われており、これらのモデルが研究と臨床の両方に広く普及していることが証明されている。
このようなモデルは、DPアプリケーションにおける基本的な計算タスクを解く上で、前例のない性能を示したが、転送学習による見当たらないデータに適応した場合、破滅的な忘れを被る。
患者人口の進化や新たな診断検査など、常に変化するデータ分布を扱うためのディープラーニングモデルの必要性が高まっている中、モデル忘れを緩和する継続的学習モデルがdpベース分析に導入される必要がある。
しかし、我々の知る限り、DP固有のアプリケーションに対するそのようなモデルの体系的な研究は存在しない。
本稿では,DP設定におけるCLシナリオを提案する。そこでは,異なるソース/ディストリビューションからの病理像データが順次到着し,その知識を1つのモデルに統合する。
そこで我々は,大腸癌H&E分類のための拡張データセットを構築し,画像の外観変化をシミュレートし,CLモデルの性能を評価する。
乳腺腫瘍H&Eデータセットと大腸癌を併用し,腫瘍タイプ別にCLを評価した。
さらに,アノテーションや計算資源の制約の下で,オンライン数ショット設定におけるCL手法の評価を行った。
本研究は,DP応用におけるCLの有望な結果を明らかにし,臨床応用への道を開く可能性を示した。
関連論文リスト
- CC-DCNet: Dynamic Convolutional Neural Network with Contrastive Constraints for Identifying Lung Cancer Subtypes on Multi-modality Images [13.655407979403945]
肺がんサブタイプを多次元・多モード画像で正確に分類するための新しい深層学習ネットワークを提案する。
提案モデルの強みは, 対のCT-病理画像セットと独立のCT画像セットの両方を動的に処理できることにある。
また,ネットワーク学習を通じてモダリティ関係を定量的にマッピングするコントラスト制約モジュールも開発した。
論文 参考訳（メタデータ） (2024-07-18T01:42:00Z) - Benchmarking Embedding Aggregation Methods in Computational Pathology: A Clinical Data Perspective [32.93871326428446]
人工知能(AI)の最近の進歩は、医療画像と計算病理に革命をもたらしている。
デジタル全スライド画像(WSI)の解析における一定の課題は、何万ものタイルレベルの画像埋め込みをスライドレベルの表現に集約する問題である。
本研究は,9つの臨床的課題を対象とした10種類のスライドレベルのアグリゲーション手法のベンチマーク分析を行った。
論文 参考訳（メタデータ） (2024-07-10T17:00:57Z) - Fairness Evolution in Continual Learning for Medical Imaging [47.52603262576663]
医用画像の分類性能に関する連続学習戦略(CL)の行動について検討した。
我々は,リプレイ,フォーッティングなし学習(LwF),LwF,Pseudo-Label戦略を評価した。
LwF と Pseudo-Label は最適な分類性能を示すが、評価に公正度の測定値を含めると、Pseudo-Label がバイアスが少ないことは明らかである。
論文 参考訳（メタデータ） (2024-04-10T09:48:52Z) - 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) - Competence-based Multimodal Curriculum Learning for Medical Report
Generation [98.10763792453925]
本稿では,コンピテンスベースのマルチモーダルカリキュラム学習フレームワーク(CMCL)を提案する。
具体的には、CMCLは放射線学者の学習過程をシミュレートし、段階的にモデルを最適化する。
パブリックIU-XrayとMIMIC-CXRデータセットの実験は、CMCLを既存のモデルに組み込んでパフォーマンスを向上させることができることを示している。
論文 参考訳（メタデータ） (2022-06-24T08:16:01Z) - Continual Learning with Bayesian Model based on a Fixed Pre-trained
Feature Extractor [55.9023096444383]
現在のディープラーニングモデルは、新しいクラスを学ぶ際に古い知識を破滅的に忘れることによって特徴づけられる。
人間の脳における新しい知識の学習プロセスに着想を得て,連続学習のためのベイズ生成モデルを提案する。
論文 参考訳（メタデータ） (2022-04-28T08:41:51Z) - LifeLonger: A Benchmark for Continual Disease Classification [59.13735398630546]
MedMNISTコレクションの連続的な疾患分類のためのベンチマークであるLifeLongerを紹介する。
タスクとクラスでの病気の漸進的な学習は、モデルをスクラッチから再トレーニングすることなく、新しいサンプルを分類する問題に対処する。
クロスドメインインクリメンタル学習は、これまで得られた知識を維持しながら、異なる機関から派生したデータセットを扱う問題に対処する。
論文 参考訳（メタデータ） (2022-04-12T12:25:05Z) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳（メタデータ） (2022-02-22T15:24:06Z) - A multi-stage machine learning model on diagnosis of esophageal
manometry [50.591267188664666]
このフレームワークには、飲み込みレベルにおけるディープラーニングモデルと、学習レベルにおける機能ベースの機械学習モデルが含まれている。
これは、生のマルチスワローデータからHRM研究のCC診断を自動的に予測する最初の人工知能モデルである。
論文 参考訳（メタデータ） (2021-06-25T20:09:23Z) - Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype
Prediction [55.94378672172967]
本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。
新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。
我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
論文 参考訳（メタデータ） (2020-09-02T02:50:30Z)
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。