Fugu-MT 論文翻訳(概要): IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification

論文の概要: IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification

arxiv url: http://arxiv.org/abs/2208.11052v1
Date: Tue, 23 Aug 2022 15:59:08 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 13:24:34.861922
Title: IMPaSh: A Novel Domain-shift Resistant Representation for Colorectal Cancer Tissue Classification
Title（参考訳）: impash : 大腸癌組織分類のための新しいドメインシフト耐性表現
Authors: Trinh Thi Le Vuong, Quoc Dang Vu, Mostafa Jahanifar, Simon Graham, Jin Tae Kwak, Nasir Rajpoot
Abstract要約: 我々は、PatchShufflingと呼ばれる新しい拡張と、ディープラーニングモデルの事前学習のためのIMPaShという新しい自己教師型コントラスト学習フレームワークを提案する。提案手法は従来の組織学領域適応法や最先端の自己教師型学習法よりも優れていることを示す。
参考スコア（独自算出の注目度）: 5.017246733091823
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: The appearance of histopathology images depends on tissue type, staining and digitization procedure. These vary from source to source and are the potential causes for domain-shift problems. Owing to this problem, despite the great success of deep learning models in computational pathology, a model trained on a specific domain may still perform sub-optimally when we apply them to another domain. To overcome this, we propose a new augmentation called PatchShuffling and a novel self-supervised contrastive learning framework named IMPaSh for pre-training deep learning models. Using these, we obtained a ResNet50 encoder that can extract image representation resistant to domain-shift. We compared our derived representation against those acquired based on other domain-generalization techniques by using them for the cross-domain classification of colorectal tissue images. We show that the proposed method outperforms other traditional histology domain-adaptation and state-of-the-art self-supervised learning methods. Code is available at: https://github.com/trinhvg/IMPash .
Abstract（参考訳）: 病理組織像の出現は組織型,染色法,デジタル化法によって異なる。これらはソースによって異なり、ドメインシフト問題の潜在的な原因である。この問題により、計算病理学におけるディープラーニングモデルの成功にもかかわらず、特定のドメインで訓練されたモデルは、他のドメインに適用しても、サブ最適に実行することができる。そこで本研究では,PatchShufflingという新たな拡張手法と,深層学習モデルの事前学習のためのIMPaShという,自己教師型コントラスト学習フレームワークを提案する。これを用いて、ドメインシフトに耐性のある画像表現を抽出できるResNet50エンコーダを得た。大腸組織像のクロスドメイン分類法として,他の領域一般化手法を用いて得られた表現と比較した。提案手法は従来の組織学領域適応法や最先端の自己教師型学習法よりも優れていることを示す。コードは、https://github.com/trinhvg/IMPash で入手できる。

関連論文リスト

Stain-Invariant Representation for Tissue Classification in Histology Images [1.1624569521079424]
染色摂動行列を用いたトレーニング画像の染色増分版を生成するフレームワークを提案する。大腸癌画像のクロスドメイン多クラス組織型分類における提案モデルの性能評価を行った。
論文参考訳（メタデータ） (2024-11-21T23:50:30Z)
Unsupervised Domain Transfer with Conditional Invertible Neural Networks [83.90291882730925]
条件付き可逆ニューラルネットワーク(cINN)に基づくドメイン転送手法を提案する。提案手法は本質的に,その可逆的アーキテクチャによるサイクル一貫性を保証し,ネットワークトレーニングを最大限効率的に行うことができる。提案手法は,2つの下流分類タスクにおいて,現実的なスペクトルデータの生成を可能にし,その性能を向上する。
論文参考訳（メタデータ） (2023-03-17T18:00:27Z)
A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文参考訳（メタデータ） (2022-09-22T22:27:08Z)
Unsupervised Domain Adaptation Using Feature Disentanglement And GCNs For Medical Image Classification [5.6512908295414]
本稿では,グラフニューラルネットワークを用いた教師なし領域適応手法を提案する。分布シフトを伴う2つの挑戦的医用画像データセットの分類法について検討した。実験により,本手法は他の領域適応法と比較して最先端の結果が得られることが示された。
論文参考訳（メタデータ） (2022-06-27T09:02:16Z)
From Modern CNNs to Vision Transformers: Assessing the Performance, Robustness, and Classification Strategies of Deep Learning Models in Histopathology [1.8947504307591034]
我々は、広範囲の分類モデルを広範囲に評価する新しい手法を開発した。広く使用されている5つの病理組織学的データセットを用いて,そのモデルを徹底的に検証した。既存の解釈可能性手法を拡張し、モデルの分類戦略に関する洞察を体系的に明らかにする。
論文参考訳（メタデータ） (2022-04-11T12:26:19Z)
Beyond ImageNet Attack: Towards Crafting Adversarial Examples for Black-box Domains [80.11169390071869]
敵対的な例は、転送可能な性質のため、ディープニューラルネットワークに深刻な脅威をもたらしている。ブラックボックス領域への転送可能性を調べるために,Beyond ImageNet Attack (BIA)を提案する。提案手法は, 最先端手法を最大7.71%(粗粒領域)と25.91%(細粒領域)で平均的に上回っている。
論文参考訳（メタデータ） (2022-01-27T14:04:27Z)
Self-Supervised Domain Adaptation for Diabetic Retinopathy Grading using Vessel Image Reconstruction [61.58601145792065]
我々は網膜血管画像再構成に基づく新しい自己教師型タスクを定義することで、不変なターゲットドメインの特徴を学習する。私たちのアプローチは既存のドメイン戦略よりも優れています。
論文参考訳（メタデータ） (2021-07-20T09:44:07Z)
Learning domain-agnostic visual representation for computational pathology using medically-irrelevant style transfer augmentation [4.538771844947821]
STRAP(Style TRansfer Augmentation for histoPathology)は、芸術絵画からのランダムなスタイル移行に基づくデータ拡張の一形態である。スタイル転送は、画像の低レベルのテクスチャ内容をランダムに選択された芸術絵画の非形式的なスタイルに置き換える。 STRAPが最先端のパフォーマンス、特にドメインシフトの存在につながることを実証する。
論文参考訳（メタデータ） (2021-02-02T18:50:16Z)
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)
Continual Adaptation of Visual Representations via Domain Randomization and Meta-learning [21.50683576864347]
ほとんどの標準的な学習アプローチは、異なる性質のサンプルを逐次訓練すると、漂流しにくい脆弱なモデルにつながる。忘れることに対して本質的により堅牢なモデルを学ぶ方法の1つは、ドメインのランダム化である。正規化子は、現在のドメインから異なる"副次的"メタドメインへのモデル転送に関連する損失を明示的に罰するメタラーニング戦略を考案する。
論文参考訳（メタデータ） (2020-12-08T09:54:51Z)
CrDoCo: Pixel-level Domain Transfer with Cross-Domain Consistency [119.45667331836583]
教師なしのドメイン適応アルゴリズムは、あるドメインから学んだ知識を別のドメインに転送することを目的としている。本稿では,新しい画素単位の対向領域適応アルゴリズムを提案する。
論文参考訳（メタデータ） (2020-01-09T19:00:35Z)

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。