論文の概要: MixUp-MIL: Novel Data Augmentation for Multiple Instance Learning and a
Study on Thyroid Cancer Diagnosis
- arxiv url: http://arxiv.org/abs/2211.05862v4
- Date: Fri, 29 Sep 2023 09:14:16 GMT
- ステータス: 処理完了
- システム内更新日: 2023-10-02 19:39:54.698677
- Title: MixUp-MIL: Novel Data Augmentation for Multiple Instance Learning and a
Study on Thyroid Cancer Diagnosis
- Title（参考訳）: MixUp-MIL:マルチインスタンス学習のための新しいデータ拡張と甲状腺癌の診断に関する研究
- Authors: Michael Gadermayr, Lukas Koller, Maximilian Tschuchnig, Lea Maria
Stangassinger, Christina Kreutzer, Sebastien Couillard-Despres, Gertie
Janneke Oostingh, Anton Hittmair
- Abstract要約: 複数のインスタンス学習は、ピクセルレベルのアノテーションやパッチレベルのアノテーションがない場合に、スライド画像全体の診断に強力なアプローチを示す。
穴のスライド画像の巨大さにもかかわらず、個々のスライドの数は比較的少なく、ラベル付きサンプルは少ない。
特徴ベクトルの線形性(MixUp)に基づく複数インスタンス学習のための異なるデータ拡張戦略を提案し,検討する。
- 参考スコア（独自算出の注目度）: 1.5810132476010594
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Multiple instance learning exhibits a powerful approach for whole slide
image-based diagnosis in the absence of pixel- or patch-level annotations. In
spite of the huge size of hole slide images, the number of individual slides is
often rather small, leading to a small number of labeled samples. To improve
training, we propose and investigate different data augmentation strategies for
multiple instance learning based on the idea of linear interpolations of
feature vectors (known as MixUp). Based on state-of-the-art multiple instance
learning architectures and two thyroid cancer data sets, an exhaustive study is
conducted considering a range of common data augmentation strategies. Whereas a
strategy based on to the original MixUp approach showed decreases in accuracy,
the use of a novel intra-slide interpolation method led to consistent increases
in accuracy.
- Abstract（参考訳）: 複数のインスタンス学習は、ピクセルレベルやパッチレベルのアノテーションがなければ、スライドイメージベースの診断全体に対して強力なアプローチを示す。
ホールスライド画像の巨大なサイズにもかかわらず、個々のスライドの数はかなり少なく、少数のラベル付きサンプルに繋がる。
トレーニングを改善するために,特徴ベクトルの線形補間(ミックスアップ)という考え方に基づいて,複数インスタンス学習のための異なるデータ拡張戦略を提案し,検討する。
最先端の複数インスタンス学習アーキテクチャと2つの甲状腺癌データセットに基づいて,様々な共通データ拡張戦略を総合的に検討した。
元々のミックスアップアプローチに基づく戦略では精度が低下したが,新しいスライド内補間法を用いることにより,精度が一貫して向上した。
関連論文リスト
- MixUp-MIL: A Study on Linear & Multilinear Interpolation-Based Data
Augmentation for Whole Slide Image Classification [1.5810132476010594]
本稿では,デジタルスライド画像の分類のためのデータ拡張手法について検討する。
その結果,本手法の効果は極めて高い変動性を示した。
我々は暗黒に光をもたらすいくつかの興味深い側面を特定し、新しい研究分野を同定した。
論文 参考訳（メタデータ） (2023-11-06T12:00:53Z) - Domain Generalization for Mammographic Image Analysis with Contrastive
Learning [62.25104935889111]
効果的なディープラーニングモデルのトレーニングには、さまざまなスタイルと品質を備えた大規模なデータが必要である。
より優れたスタイルの一般化能力を備えた深層学習モデルを実現するために,新しいコントラスト学習法が開発された。
提案手法は,様々なベンダスタイルドメインのマンモグラムや,いくつかのパブリックデータセットを用いて,広範囲かつ厳密に評価されている。
論文 参考訳（メタデータ） (2023-04-20T11:40:21Z) - Self-similarity Driven Scale-invariant Learning for Weakly Supervised
Person Search [66.95134080902717]
自己相似性駆動型スケール不変学習(SSL)という新しいワンステップフレームワークを提案する。
本稿では,ネットワークを前景と学習スケール不変の機能に集中させるための,マルチスケール・エクステンプラー・ブランチを提案する。
PRWおよびCUHK-SYSUデータベースの実験により,本手法の有効性が示された。
論文 参考訳（メタデータ） (2023-02-25T04:48:11Z) - 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) - Domain Generalization for Mammography Detection via Multi-style and
Multi-view Contrastive Learning [47.30824944649112]
限られたリソースを持つ様々なベンダーに対して,ディープラーニングモデルの一般化能力を高めるために,新しいコントラスト学習手法を開発した。
バックボーンネットワークは、さまざまなベンダースタイルに不変機能を組み込むために、マルチスタイルでマルチビューで教師なしの自己学習スキームで訓練されている。
実験結果から,本手法は目視領域と目視領域の両方における検出性能を効果的に向上する可能性が示唆された。
論文 参考訳（メタデータ） (2021-11-21T14:29:50Z) - Generalized Multi-Task Learning from Substantially Unlabeled
Multi-Source Medical Image Data [11.061381376559053]
MultiMixは、病気の分類と解剖学的セグメンテーションを半教師付きで共同で学習する、新しいマルチタスク学習モデルである。
トレーニングセットにおける多ソースラベル付きデータの多量化実験により,MultiMixの有効性が確認された。
論文 参考訳（メタデータ） (2021-10-25T18:09:19Z) - Deep Relational Metric Learning [84.95793654872399]
本稿では,画像クラスタリングと検索のためのディープリレーショナルメトリック学習フレームワークを提案する。
我々は、クラス間分布とクラス内分布の両方をモデル化するために、異なる側面から画像を特徴付ける特徴のアンサンブルを学ぶ。
広く使われているCUB-200-2011、Cars196、Stanford Online Productsデータセットの実験は、我々のフレームワークが既存の深層学習方法を改善し、非常に競争力のある結果をもたらすことを示した。
論文 参考訳（メタデータ） (2021-08-23T09:31:18Z) - Learning from Partially Overlapping Labels: Image Segmentation under
Annotation Shift [68.6874404805223]
腹部臓器分節の文脈におけるラベルの重複から学ぶためのいくつかの方法を提案する。
半教師付きアプローチと適応的クロスエントロピー損失を組み合わせることで、不均一な注釈付きデータをうまく活用できることが判明した。
論文 参考訳（メタデータ） (2021-07-13T09:22:24Z) - Federated Learning for Computational Pathology on Gigapixel Whole Slide
Images [4.035591045544291]
計算病理学において,ギガピクセル全体の画像に対するプライバシ保護フェデレーション学習を導入する。
スライドレベルのラベルのみを用いた数千のスライディング画像を用いた2つの異なる診断問題に対するアプローチについて検討した。
論文 参考訳（メタデータ） (2020-09-21T21:56:08Z) - Additive Angular Margin for Few Shot Learning to Classify Clinical
Endoscopy Images [42.74958357195011]
我々は、トレーニングデータが少なくなり、未知のデータセットからテストサンプルのラベルクラスを予測するために使用できる、数ショットの学習手法を提案する。
我々は,マルチセンター,マルチオーガナイズド,マルチモーダル内視鏡データの大規模コホートにおけるいくつかの確立された手法との比較を行った。
論文 参考訳（メタデータ） (2020-03-23T00:20:52Z)
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。