論文の概要: Metadata-guided Consistency Learning for High Content Images
- arxiv url: http://arxiv.org/abs/2212.11595v1
- Date: Thu, 22 Dec 2022 10:39:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 14:43:32.048112
- Title: Metadata-guided Consistency Learning for High Content Images
- Title(参考訳): メタデータによる高画質画像の一貫性学習
- Authors: Johan Fredin Haslum and Christos Matsoukas and Karl-Johan Leuchowius
and Erik M\"ullers and Kevin Smith
- Abstract要約: Cross-Domain Consistency Learning (CDCL)は、バッチ効果の存在下で学習できる新しいアプローチである。
CDCLは、望ましくないバッチ固有のシグナルを無視しながら、生物学的類似性の学習を強制する。
これらの特徴は形態的変化に応じて組織化され、下流タスクに有用である。
- 参考スコア(独自算出の注目度): 1.5207770161985628
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: High content imaging assays can capture rich phenotypic response data for
large sets of compound treatments, aiding in the characterization and discovery
of novel drugs. However, extracting representative features from high content
images that can capture subtle nuances in phenotypes remains challenging. The
lack of high-quality labels makes it difficult to achieve satisfactory results
with supervised deep learning. Self-Supervised learning methods, which learn
from automatically generated labels has shown great success on natural images,
offer an attractive alternative also to microscopy images. However, we find
that self-supervised learning techniques underperform on high content imaging
assays. One challenge is the undesirable domain shifts present in the data
known as batch effects, which may be caused by biological noise or uncontrolled
experimental conditions. To this end, we introduce Cross-Domain Consistency
Learning (CDCL), a novel approach that is able to learn in the presence of
batch effects. CDCL enforces the learning of biological similarities while
disregarding undesirable batch-specific signals, which leads to more useful and
versatile representations. These features are organised according to their
morphological changes and are more useful for downstream tasks - such as
distinguishing treatments and mode of action.
- Abstract(参考訳): 高濃度イメージングアッセイは、多量の化合物治療のための豊かな表現型反応データをキャプチャし、新規薬物の特性と発見を助けることができる。
しかし,表現型の微妙なニュアンスを捉えることのできる高画質画像から代表的特徴を抽出することは依然として困難である。
高品質なラベルがないため、教師付きディープラーニングで満足な結果を得るのは難しい。
自動生成ラベルから学習する自己教師付き学習手法は、自然画像において大きな成功を収めており、顕微鏡画像にも魅力的な代替手段を提供する。
しかし, 自己教師あり学習の手法は, ハイコンテントイメージング検査の精度を低下させることがわかった。
一つの課題は、バッチ効果として知られるデータに存在する望ましくない領域シフトであり、これは生物学的ノイズや制御不能な実験条件によって引き起こされる可能性がある。
この目的のために我々は,バッチ効果の存在下で学習可能な新しいアプローチであるCDCL(クロスドメイン一貫性学習)を導入する。
CDCLは、望ましくないバッチ固有の信号を無視しながら生物学的類似性の学習を強制する。
これらの特徴は形態的変化に従って整理され、治療や行動様式を区別するといった下流タスクでより有用である。
関連論文リスト
- Diverse Image Generation with Diffusion Models and Cross Class Label Learning for Polyp Classification [4.747649393635696]
そこで我々は,多種多様な特徴を持つテキスト制御合成画像を生成する新しいモデルPathoPolyp-Diffを開発した。
モデルが他のクラスから特徴を学習できるように、クラス間ラベル学習を導入し、データアノテーションの面倒な作業を減らす。
論文 参考訳(メタデータ) (2025-02-08T04:26:20Z) - Understanding and Improving Training-Free AI-Generated Image Detections with Vision Foundation Models [68.90917438865078]
顔合成と編集のためのディープフェイク技術は、生成モデルに重大なリスクをもたらす。
本稿では,モデルバックボーン,タイプ,データセット間で検出性能がどう変化するかを検討する。
本稿では、顔画像のパフォーマンスを向上させるContrastive Blurと、ノイズタイプのバイアスに対処し、ドメイン間のパフォーマンスのバランスをとるMINDERを紹介する。
論文 参考訳(メタデータ) (2024-11-28T13:04:45Z) - Unleashing the Potential of Synthetic Images: A Study on Histopathology Image Classification [0.12499537119440242]
病理組織像分類は様々な疾患の正確な同定と診断に重要である。
合成画像は、既存のデータセットを効果的に増強し、最終的に下流の病理組織像分類タスクの性能を向上させることができることを示す。
論文 参考訳(メタデータ) (2024-09-24T12:02:55Z) - Free-ATM: Exploring Unsupervised Learning on Diffusion-Generated Images
with Free Attention Masks [64.67735676127208]
テキストと画像の拡散モデルは、画像認識の恩恵を受ける大きな可能性を示している。
有望ではあるが、拡散生成画像の教師なし学習に特化した調査は不十分である。
上記フリーアテンションマスクをフル活用することで、カスタマイズされたソリューションを導入する。
論文 参考訳(メタデータ) (2023-08-13T10:07:46Z) - GraVIS: Grouping Augmented Views from Independent Sources for
Dermatology Analysis [52.04899592688968]
皮膚科画像から自己教師付き特徴を学習するために特に最適化されたGraVISを提案する。
GraVISは、病変のセグメンテーションと疾患分類のタスクにおいて、転送学習と自己教師型学習を著しく上回っている。
論文 参考訳(メタデータ) (2023-01-11T11:38:37Z) - Comparison of semi-supervised learning methods for High Content
Screening quality control [0.34998703934432673]
高濃度スクリーニング(HCS)は、高スループットで画像から複雑な細胞表現型を定量化する。
このプロセスは、アウト・オブ・フォーカス画像のぼかし、蛍光彩飽和、破片、高レベルのノイズ、予期しない自動蛍光、空のイメージなどの画像収差によって妨げられる。
簡単な半教師付き学習ソリューションを提供するために,画像アノテーションを必要としない深層学習の選択肢を評価する。
論文 参考訳(メタデータ) (2022-08-09T08:14:36Z) - Self-Supervised Vision Transformers Learn Visual Concepts in
Histopathology [5.164102666113966]
我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。
我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
論文 参考訳(メタデータ) (2022-03-01T16:14:41Z) - Texture Characterization of Histopathologic Images Using Ecological
Diversity Measures and Discrete Wavelet Transform [82.53597363161228]
本稿では,病理組織像間でテクスチャを特徴付ける手法を提案する。
2つのHIデータセットに有望な精度で、そのような画像の固有特性を定量化することが可能である。
論文 参考訳(メタデータ) (2022-02-27T02:19:09Z) - Positional Contrastive Learning for Volumetric Medical Image
Segmentation [13.086140606803408]
コントラストデータペアを生成するための新しい位置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,半教師付き設定と移動学習の両方において既存の手法と比較して,セグメンテーション性能を大幅に向上させることができる。
論文 参考訳(メタデータ) (2021-06-16T22:15:28Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショット学習フレームワークを提案する。
論文 参考訳(メタデータ) (2020-10-20T06:06:06Z) - 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)
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。