論文の概要: Cross-domain Microscopy Cell Counting by Disentangled Transfer Learning
- arxiv url: http://arxiv.org/abs/2211.14638v2
- Date: Mon, 20 Mar 2023 03:08:09 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-24 01:40:59.528502
- Title: Cross-domain Microscopy Cell Counting by Disentangled Transfer Learning
- Title（参考訳）: 遠方移動学習によるクロスドメイン顕微鏡細胞計数
- Authors: Zuhui Wang
- Abstract要約: 弱い人間のアノテーションのみを必要とするクロスドメイン細胞カウント手法を提案する。
我々は、ソースドメインとして合成細胞からなる公開データセットを使用する。
実際の細胞画像の新しいターゲット領域にドメインに依存しない知識のみを転送する。
- 参考スコア（独自算出の注目度）: 1.52292571922932
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Microscopy images from different imaging conditions, organs, and tissues
often have numerous cells with various shapes on a range of backgrounds. As a
result, designing a deep learning model to count cells in a source domain
becomes precarious when transferring them to a new target domain. To address
this issue, manual annotation costs are typically the norm when training deep
learning-based cell counting models across different domains. In this paper, we
propose a cross-domain cell counting approach that requires only weak human
annotation efforts. Initially, we implement a cell counting network that
disentangles domain-specific knowledge from domain-agnostic knowledge in cell
images, where they pertain to the creation of domain style images and cell
density maps, respectively. We then devise an image synthesis technique capable
of generating massive synthetic images founded on a few target-domain images
that have been labeled. Finally, we use a public dataset consisting of
synthetic cells as the source domain, where no manual annotation cost is
present, to train our cell counting network; subsequently, we transfer only the
domain-agnostic knowledge to a new target domain of real cell images. By
progressively refining the trained model using synthesized target-domain images
and several real annotated ones, our proposed cross-domain cell counting method
achieves good performance compared to state-of-the-art techniques that rely on
fully annotated training images in the target domain. We evaluated the efficacy
of our cross-domain approach on two target domain datasets of actual microscopy
cells, demonstrating the feasibility of requiring annotations on only a few
images in a new domain.
- Abstract（参考訳）: 異なる撮像条件、臓器、組織からの顕微鏡画像は、様々な背景に様々な形状の細胞を持つことが多い。
結果として、ソースドメイン内のセル数をカウントするディープラーニングモデルの設計が、新たなターゲットドメインに移行する際に問題になる。
この問題に対処するために、手動アノテーションコストは、異なるドメインにわたるディープラーニングベースのセルカウントモデルをトレーニングする場合の標準となる。
本稿では,弱い人間のアノテーションのみを必要とするクロスドメイン細胞カウント手法を提案する。
当初我々は,セルイメージにおけるドメインに依存しない知識からドメイン固有の知識を分離するセルカウントネットワークを実装し,それぞれにドメインスタイルの画像とセル密度マップを作成する。
次に、ラベル付けされたいくつかのターゲットドメイン画像に基づいて、大量の合成画像を生成できる画像合成手法を考案する。
最後に, 合成細胞をソースドメインとする公開データセットを用いて, 手動アノテーションのコストを伴わないセルカウントネットワークをトレーニングし, その後, ドメインに依存しない知識のみを実際のセルイメージの新しいターゲットドメインに転送する。
提案手法は,合成対象領域画像と実アノテート画像を用いて段階的にトレーニングモデルを精製することにより,対象領域の完全アノテート訓練画像に依存する最先端技術と比較して,優れた性能を実現する。
実際の顕微鏡細胞を対象とした2つのドメイン・データセットに対するクロスドメイン・アプローチの有効性を検証し,新しいドメインの少数の画像にアノテーションを付加する可能性を示した。
関連論文リスト
- Phrase Grounding-based Style Transfer for Single-Domain Generalized
Object Detection [109.58348694132091]
単一ドメインの一般化オブジェクト検出は、複数の未確認対象ドメインに対するモデルの一般化性を高めることを目的としている。
これは、ターゲットのドメインデータをトレーニングに組み込むことなく、ドメインシフトに対処するモデルを必要とするため、実用的だが難しいタスクである。
そこで我々は,課題に対する新しい文節接頭辞に基づくスタイル伝達手法を提案する。
論文 参考訳（メタデータ） (2024-02-02T10:48:43Z) - Affine-Consistent Transformer for Multi-Class Cell Nuclei Detection [76.11864242047074]
本稿では, 原子核位置を直接生成する新しいアフィン一貫性変換器 (AC-Former) を提案する。
本稿では,AAT (Adaptive Affine Transformer) モジュールを導入し,ローカルネットワークトレーニングのためのオリジナル画像をワープするための重要な空間変換を自動学習する。
実験結果から,提案手法は様々なベンチマークにおいて既存の最先端アルゴリズムを著しく上回ることがわかった。
論文 参考訳（メタデータ） (2023-10-22T02:27:02Z) - Few-shot Semantic Image Synthesis with Class Affinity Transfer [23.471210664024067]
そこで本研究では,大規模なデータセット上でトレーニングされたモデルを利用して,小規模なターゲットデータセット上での学習能力を向上させるトランスファー手法を提案する。
クラス親和性行列は、ターゲットラベルマップと互換性を持たせるために、ソースモデルの第一層として導入される。
セマンティック・セマンティック・シンセサイザー(セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・セマンティック・アーキテクチャー)にアプローチを適用する。
論文 参考訳（メタデータ） (2023-04-05T09:24:45Z) - Domain-invariant Prototypes for Semantic Segmentation [30.932130453313537]
ドメイン適応型セマンティックセグメンテーションのためのドメイン不変のプロトタイプを学習する。
本手法は,1段階の訓練のみを伴い,大規模な未注釈対象画像に対してトレーニングを行う必要はない。
論文 参考訳（メタデータ） (2022-08-12T02:21:05Z) - Unsupervised Domain Adaptation with Contrastive Learning for OCT
Segmentation [49.59567529191423]
本稿では,新しい未ラベル領域からのボリューム画像のセグメンテーションのための,新しい半教師付き学習フレームワークを提案する。
教師付き学習とコントラスト学習を併用し、3次元の近傍スライス間の類似性を利用したコントラストペア方式を導入する。
論文 参考訳（メタデータ） (2022-03-07T19:02:26Z) - First steps on Gamification of Lung Fluid Cells Annotations in the
Flower Domain [6.470549137572311]
そこで本研究では,病理画像から肺液細胞を注視するタスクをゲーミフィケーションする手法を提案する。
このドメインは、未熟練のアノテータには未知であるため、RetinaNetアーキテクチャで検出された細胞のイメージを、花の領域に変換する。
このより評価可能な領域では、熟練していないアノテータは(t)遊び心のある環境で様々な種類の花に注釈を付けることができる。
論文 参考訳（メタデータ） (2021-11-05T14:11:38Z) - Few-shot Image Generation via Cross-domain Correspondence [98.2263458153041]
限られた例を含む対象領域におけるGANなどの生成モデルの訓練は、容易に過度な適合をもたらす。
本研究では,多様性情報をソースからターゲットにプリトレーニングし,転送するために,大きなソースドメインを活用することを目指す。
さらに,オーバーフィッティングを減らすために,潜在空間内の異なる領域に対して異なるレベルのリアリズムを奨励するアンカーベースの戦略を提案する。
論文 参考訳（メタデータ） (2021-04-13T17:59:35Z) - Semantic Segmentation with Generative Models: Semi-Supervised Learning
and Strong Out-of-Domain Generalization [112.68171734288237]
本論文では,画像とラベルの再生モデルを用いた識別画素レベルのタスクのための新しいフレームワークを提案する。
我々は,共同画像ラベルの分布を捕捉し,未ラベル画像の大規模な集合を用いて効率的に訓練する生成的対向ネットワークを学習する。
ドメイン内性能をいくつかのベースラインと比較し,ドメイン外一般化を極端に示す最初の例である。
論文 参考訳（メタデータ） (2021-04-12T21:41:25Z) - Graph Neural Networks for UnsupervisedDomain Adaptation of
Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。
特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。
実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文 参考訳（メタデータ） (2020-08-21T04:53:44Z) - Few-Shot Microscopy Image Cell Segmentation [15.510258960276083]
顕微鏡画像におけるセルの自動セグメンテーションは、完全な監視で訓練されたディープニューラルネットワークのサポートとうまく機能する。
本稿では,細胞を分割し,セグメント化結果を分類境界から切り離すための3つの目的関数の組み合わせを提案する。
5つの公開データベースに対する実験は、1ショットから10ショットのメタラーニングによる有望な結果を示している。
論文 参考訳（メタデータ） (2020-06-29T12:12:10Z) - Latent Normalizing Flows for Many-to-Many Cross-Domain Mappings [76.85673049332428]
画像とテキストの合同表現の学習は、画像キャプションのようないくつかの重要なドメイン横断タスクのバックボーンを形成する。
ドメイン間の共有情報とドメイン固有の情報を個別にモデル化する,新しい半教師付きフレームワークを提案する。
画像キャプションやテキスト・ツー・イメージ合成など,様々なタスクにおけるモデルの有効性を示す。
論文 参考訳（メタデータ） (2020-02-16T19:49:30Z)
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。