論文の概要: Mind the Gap: Scanner-induced domain shifts pose challenges for representation learning in histopathology

• arxiv url: http://arxiv.org/abs/2211.16141v1
• Date: Tue, 29 Nov 2022 12:16:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-30 17:25:11.354002
• Title: Mind the Gap: Scanner-induced domain shifts pose challenges for representation learning in histopathology
• Title（参考訳）: マインド・ザ・ギャップ:スキャンナーによるドメインシフトは病理学における表現学習に挑戦する
• Authors: Frauke Wilm, Marco Fragoso, Christof A. Bertram, Nikolas Stathonikos, Mathias \"Ottl, Jingna Qiu, Robert Klopfleisch, Andreas Maier, Marc Aubreville, Katharina Breininger
• Abstract要約: 自己教師付き事前トレーニングは、腫瘍セグメンテーションの下流タスクにおいて、スキャナによるドメインシフトを克服するために使用することができる。 自己教師付き事前学習が様々なスキャナー表現の整列に成功し、興味深いことに、下流タスクに限られた利益をもたらすことが示される。
• 参考スコア（独自算出の注目度）: 6.309771474997404
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Computer-aided systems in histopathology are often challenged by various sources of domain shift that impact the performance of these algorithms considerably. We investigated the potential of using self-supervised pre-training to overcome scanner-induced domain shifts for the downstream task of tumor segmentation. For this, we present the Barlow Triplets to learn scanner-invariant representations from a multi-scanner dataset with local image correspondences. We show that self-supervised pre-training successfully aligned different scanner representations, which, interestingly only results in a limited benefit for our downstream task. We thereby provide insights into the influence of scanner characteristics for downstream applications and contribute to a better understanding of why established self-supervised methods have not yet shown the same success on histopathology data as they have for natural images.
• Abstract（参考訳）: 病理組織学におけるコンピュータ支援システムは、これらのアルゴリズムの性能に大きな影響を与える様々な領域シフトの源によってしばしば挑戦される。 腫瘍セグメンテーションの下流タスクにおいて, スキャナによるドメインシフトを克服するために, 自己教師付きプレトレーニングを併用する可能性を検討した。 そこで本研究では,ローカル画像対応付きマルチスキャナデータセットから,スキャナ不変表現を学習するためのBarlow Tripletを提案する。 自己教師付き事前学習が様々なスキャナー表現の整列に成功し、興味深いことに、下流タスクに限られた利益をもたらすことが示される。 これにより、下流アプリケーションにおけるスキャナー特性の影響に関する知見を提供し、確立された自己監督手法が自然画像の病理学的データでまだ成功していない理由をよりよく理解する。

関連論文リスト

• 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)
• Multi-Scanner Canine Cutaneous Squamous Cell Carcinoma Histopathology Dataset [6.309771474997404]
  病理組織学では、スキャナによって誘導されるドメインシフトは、未知のデータでテストされた場合、トレーニングされたニューラルネットワークのパフォーマンスを妨げることが知られている。 犬皮膚扁平上皮癌の病理組織像のマルチスキャナーデータセットを公開している。
  論文  参考訳（メタデータ） (2023-01-11T12:02:10Z)
• Self-Supervised Endoscopic Image Key-Points Matching [1.3764085113103222]
  本稿では,深層学習技術に基づく内視鏡画像マッチングのための新しい自己教師型アプローチを提案する。 提案手法は,手作りの標準的なローカル特徴記述子よりも精度とリコールの点で優れていた。
  論文  参考訳（メタデータ） (2022-08-24T10:47:21Z)
• Hospital-Agnostic Image Representation Learning in Digital Pathology [0.7412445894287709]
  デジタル病理学における全スライド画像(WSI)は、がんの亜型を診断するために用いられる。 各種試験場でのWSI取得手順の違いは,病理組織像の変動を引き起こす。 本研究では,DNN(Deep Neural Network)の一般化能力向上のために,ドメイン一般化手法を活用する。
  論文  参考訳（メタデータ） (2022-04-05T11:45:46Z)
• A parameter refinement method for Ptychography based on Deep Learning concepts [55.41644538483948]
  伝播距離、位置誤差、部分的コヒーレンスにおける粗いパラメトリゼーションは、しばしば実験の生存性を脅かす。 最新のDeep Learningフレームワークは、セットアップの不整合を自律的に補正するために使用され、ポチコグラフィーの再構築の質が向上する。 我々は,elettra シンクロトロン施設のツインミックビームラインで取得した合成データセットと実データの両方でシステムをテストした。
  論文  参考訳（メタデータ） (2021-05-18T10:15:17Z)
• Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
  現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。 転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。 本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
  論文  参考訳（メタデータ） (2021-03-24T16:24:20Z)
• Deep Co-Attention Network for Multi-View Subspace Learning [73.3450258002607]
  マルチビューサブスペース学習のための深層コアテンションネットワークを提案する。 共通情報と相補情報の両方を敵意で抽出することを目的としている。 特に、新しいクロス再構成損失を使用し、ラベル情報を利用して潜在表現の構築を誘導する。
  論文  参考訳（メタデータ） (2021-02-15T18:46:44Z)
• 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)
• Improved Slice-wise Tumour Detection in Brain MRIs by Computing Dissimilarities between Latent Representations [68.8204255655161]
  磁気共鳴画像(MRI)の異常検出は教師なし手法で行うことができる。 本研究では,変分オートエンコーダの潜伏空間における相似関数の計算に基づいて,腫瘍検出のためのスライスワイズ半教師法を提案する。 本研究では,高解像度画像上でのモデルをトレーニングし,再現の質を向上させることにより,異なるベースラインに匹敵する結果が得られることを示す。
  論文  参考訳（メタデータ） (2020-07-24T14:02:09Z)
• Multi-label Thoracic Disease Image Classification with Cross-Attention Networks [65.37531731899837]
  胸部X線画像から胸部疾患を自動分類するためのCAN(Cross-Attention Networks)を提案する。 また,クロスエントロピー損失を超える新たな損失関数を設計し,クラス間の不均衡を克服する。
  論文  参考訳（メタデータ） (2020-07-21T14:37:00Z)
• Supervision and Source Domain Impact on Representation Learning: A Histopathology Case Study [6.762603053858596]
  本研究では,表現学習領域におけるディープニューラルネットワークの性能と三重項損失について検討した。 病理画像の類似性や相違性について検討し,教師なし,半教師なし,教師付き学習との違いを比較した。 学習した表現を2つの異なる病理データセットに適用し,高い精度と一般化を実現した。
  論文  参考訳（メタデータ） (2020-05-10T21:27:38Z)

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。