論文の概要: An Aggregation of Aggregation Methods in Computational Pathology
- arxiv url: http://arxiv.org/abs/2211.01256v1
- Date: Wed, 2 Nov 2022 16:37:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-03 12:45:54.885321
- Title: An Aggregation of Aggregation Methods in Computational Pathology
- Title(参考訳): 計算病理学における凝集法の集約
- Authors: Mohsin Bilal, Robert Jewsbury, Ruoyu Wang, Hammam M. AlGhamdi, Amina
Asif, Mark Eastwood, Nasir Rajpoot
- Abstract要約: 計算病理学(CPath)分野における今後の研究の指針として,様々な種類の集約手法に関する既存の文献を概説する。
本稿では,データのコンテキストや表現,計算モジュールの特徴,CPathのユースケースに応じて集約手法を分類する。
目的と望ましいアグリゲーション手法の属性を概ねリストアップし、様々なアプローチの長所と短所、いくつかの推奨事項と今後の方向性について述べる。
- 参考スコア(独自算出の注目度): 3.240872475631237
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Image analysis and machine learning algorithms operating on multi-gigapixel
whole-slide images (WSIs) often process a large number of tiles (sub-images)
and require aggregating predictions from the tiles in order to predict
WSI-level labels. In this paper, we present a review of existing literature on
various types of aggregation methods with a view to help guide future research
in the area of computational pathology (CPath). We propose a general CPath
workflow with three pathways that consider multiple levels and types of data
and the nature of computation to analyse WSIs for predictive modelling. We
categorize aggregation methods according to the context and representation of
the data, features of computational modules and CPath use cases. We compare and
contrast different methods based on the principle of multiple instance
learning, perhaps the most commonly used aggregation method, covering a wide
range of CPath literature. To provide a fair comparison, we consider a specific
WSI-level prediction task and compare various aggregation methods for that
task. Finally, we conclude with a list of objectives and desirable attributes
of aggregation methods in general, pros and cons of the various approaches,
some recommendations and possible future directions.
- Abstract(参考訳): マルチギガピクセル全スライダー画像(wsis)で動作する画像解析と機械学習アルゴリズムは、多くのタイル(サブ画像)を処理し、wsiレベルのラベルを予測するためにタイルから予測を集約する必要がある。
本稿では,計算病理学(CPath)分野における今後の研究を支援するために,様々な種類の集約手法に関する既存の文献を概説する。
予測モデリングのためのwsisを解析するために,複数のレベルとデータの種類を考慮した3つの経路と計算の性質を持つ一般的なcpathワークフローを提案する。
本稿では,データのコンテキストや表現,計算モジュールの特徴,CPathのユースケースに応じて集約手法を分類する。
複数インスタンス学習の原理に基づく異なる手法の比較・対比を行い,多岐にわたるcpath文献を対象とする,おそらく最も一般的な集計法であるマルチインスタンス学習法について検討した。
公平な比較のために、特定のwsiレベルの予測タスクを検討し、そのタスクに対する様々な集計方法を比較する。
最後に,アグリゲーション手法の目的と望ましい属性の一覧をまとめ,様々なアプローチの長所と短所,いくつかの推奨事項と今後の方向性について述べる。
関連論文リスト
- Self Supervised Correlation-based Permutations for Multi-View Clustering [7.972599673048582]
汎用データのためのエンドツーエンドのディープラーニングベースのMVCフレームワークを提案する。
我々のアプローチは、新しい置換に基づく正準相関目標を用いて有意義な融合データ表現を学習することである。
10つのMVCベンチマークデータセットを用いて、モデルの有効性を実証する。
論文 参考訳(メタデータ) (2024-02-26T08:08:30Z) - RetICL: Sequential Retrieval of In-Context Examples with Reinforcement
Learning [77.34726150561087]
In-Context Learning (RetICL) のための検索式を提案する。
我々は、マルコフ決定プロセスとして逐次サンプル選択の問題を定義し、LSTMを用いてサンプルレトリバーモデルを設計し、近似ポリシー最適化を用いてそれを訓練する。
論文 参考訳(メタデータ) (2023-05-23T20:15:56Z) - Deep Multiview Clustering by Contrasting Cluster Assignments [14.767319805995543]
マルチビュークラスタリングは、データサンプルをクラスタに分類することで、マルチビューデータの基盤構造を明らかにすることを目的としている。
本稿では,複数のビュー間でクラスタ割り当てを対比することで,ビュー不変表現を学習し,クラスタリング結果を生成するクロスビューコントラスト学習(C)手法を提案する。
論文 参考訳(メタデータ) (2023-04-21T06:35:54Z) - A One-shot Framework for Distributed Clustered Learning in Heterogeneous
Environments [54.172993875654015]
異種環境における分散学習のためのコミュニケーション効率化手法のファミリーを提案する。
ユーザによるローカル計算に基づくワンショットアプローチと、サーバにおけるクラスタリングベースのアグリゲーションステップは、強力な学習保証を提供する。
厳密な凸問題に対しては,ユーザ毎のデータ点数がしきい値を超える限り,提案手法はサンプルサイズの観点から順序最適平均二乗誤差率を達成する。
論文 参考訳(メタデータ) (2022-09-22T09:04:10Z) - Data-driven Abstractions with Probabilistic Guarantees for Linear PETC
Systems [0.0]
我々は,未知のPETCシステムによって生成されるサンプル間平均時間に基づいて,ほぼ正(PAC)境界を計算するシナリオアプローチを採用した。
我々は,具体的な,未知の状態空間とサンプル間時間の間のPACマップを構築するために,シナリオアプローチをマルチクラスSVMアルゴリズムに拡張する。
論文 参考訳(メタデータ) (2022-03-10T18:18:46Z) - Multi-Label Few-Shot Learning for Aspect Category Detection [23.92900196246631]
感情分析におけるアスペクトカテゴリー検出(ACD)は、文中のアスペクトカテゴリを特定することを目的としている。
既存の数発の学習アプローチは、主にシングルラベルの予測に焦点を当てている。
本稿では,プロトタイプネットワークに基づく複数ラベルの複数ショット学習手法を提案する。
論文 参考訳(メタデータ) (2021-05-29T01:56:11Z) - Multi-scale Adaptive Task Attention Network for Few-Shot Learning [5.861206243996454]
少数ショット学習の目標は、ラベル付きサンプルの少ない未確認カテゴリを分類することである。
本稿では,マルチスケール適応タスク注意ネットワーク(MATANet)を提案する。
論文 参考訳(メタデータ) (2020-11-30T00:36:01Z) - Region Comparison Network for Interpretable Few-shot Image
Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。
本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。
また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文 参考訳(メタデータ) (2020-09-08T07:29:05Z) - Commonality-Parsing Network across Shape and Appearance for Partially
Supervised Instance Segmentation [71.59275788106622]
そこで本稿では,マスク付分類から新しい分類へ一般化可能な,クラス非依存の共通性について考察する。
本モデルでは,COCOデータセット上のサンプルセグメンテーションにおける部分教師付き設定と少数ショット設定の両方において,最先端の手法を著しく上回っている。
論文 参考訳(メタデータ) (2020-07-24T07:23:44Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳(メタデータ) (2020-06-12T22:45:47Z) - CONSAC: Robust Multi-Model Fitting by Conditional Sample Consensus [62.86856923633923]
我々は,同じ形状の複数のパラメトリックモデルを雑音測定に適合させる頑健な推定器を提案する。
複数のモデル検出のための手作り検索戦略を利用する従来の研究とは対照的に,データから検索戦略を学習する。
探索の自己教師付き学習において,提案したアルゴリズムをマルチホログラフィー推定で評価し,最先端手法よりも優れた精度を示す。
論文 参考訳(メタデータ) (2020-01-08T17:37:01Z)
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。