論文の概要: Standardized CycleGAN training for unsupervised stain adaptation in invasive carcinoma classification for breast histopathology

• arxiv url: http://arxiv.org/abs/2301.13128v1
• Date: Mon, 30 Jan 2023 18:07:09 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-31 13:28:37.663488
• Title: Standardized CycleGAN training for unsupervised stain adaptation in invasive carcinoma classification for breast histopathology
• Title（参考訳）: 乳腺病理組織学における浸潤性癌分類における非教師なし染色適応の標準化サイクガン訓練
• Authors: Nicolas Nerrienet and R\'emy Peyret and Marie Sockeel and St\'ephane Sockeel
• Abstract要約: 我々は、教師なし画像から画像への翻訳にCycleGANを用いて、ステンド翻訳戦略を実装した。 提案した2つのアプローチは、染色固有の分類モデルを構築するために、推論やトレーニングにCycleGANの翻訳を使用する。 最後の方法は、トレーニング中にそれらをステンドデータ拡張に使用する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Generalization is one of the main challenges of computational pathology. Slide preparation heterogeneity and the diversity of scanners lead to poor model performance when used on data from medical centers not seen during training. In order to achieve stain invariance in breast invasive carcinoma patch classification, we implement a stain translation strategy using cycleGANs for unsupervised image-to-image translation. We compare three cycleGAN-based approaches to a baseline classification model obtained without any stain invariance strategy. Two of the proposed approaches use cycleGAN's translations at inference or training in order to build stain-specific classification models. The last method uses them for stain data augmentation during training. This constrains the classification model to learn stain-invariant features. Baseline metrics are set by training and testing the baseline classification model on a reference stain. We assessed performances using three medical centers with H&E and H&E&S staining. Every approach tested in this study improves baseline metrics without needing labels on target stains. The stain augmentation-based approach produced the best results on every stain. Each method's pros and cons are studied and discussed in this paper. However, training highly performing cycleGANs models in itself represents a challenge. In this work, we introduce a systematical method for optimizing cycleGAN training by setting a novel stopping criterion. This method has the benefit of not requiring any visual inspection of cycleGAN results and proves superiority to methods using a predefined number of training epochs. In addition, we also study the minimal amount of data required for cycleGAN training.
• Abstract（参考訳）: 一般化は、計算病理学の主要な課題の1つである。 スライド準備の不均一性とスキャナの多様性は、トレーニング中に見えない医療センターのデータで使用する場合のモデル性能の低下につながる。 乳腺浸潤癌パッチ分類における染色不均一性を実現するために,CycleGANsを用いた非教師なし画像・画像翻訳のための染色翻訳戦略を実装した。 本研究では,3つのサイクルGANをベースライン分類モデルと比較する。 提案手法の2つは, 投機や訓練においてサイクガンの翻訳を用い, 染色特異的分類モデルを構築した。 最後の方法は、トレーニング中にそれらをステンドデータ拡張に使用する。 これは分類モデルにステンド不変な特徴を学ぶように制約する。 ベースラインメトリクスは、ベースライン分類モデルのトレーニングとテストによって、参照ステイン上で設定される。 H&EとH&E&S染色を併用した3つの医療センターによる評価を行った。 この研究でテストされたすべてのアプローチは、ターゲットステインのラベルを必要とせずに、ベースラインメトリクスを改善します。 染色増量に基づくアプローチは,すべての染色に対して最良の結果をもたらした。 それぞれの方法の長所と短所について検討し,本論文で論じる。 しかし、ハイパフォーマンスなCycleGANsモデルのトレーニング自体が課題である。 本研究では,新しい停止基準を設定し,サイクルGANトレーニングを最適化するための体系的手法を提案する。 本手法は,サイクルGANの結果を視覚的に検査する必要がなく,事前定義されたトレーニングエポック数を用いた手法よりも優れていることを示す。 また,サイクルGANトレーニングに必要なデータ量についても検討した。

関連論文リスト

• Unsupervised Latent Stain Adaptation for Computational Pathology [2.483372684394528]
  スタン適応は、ターゲットの染色を一般化するソース染色のモデルをトレーニングすることで、異なる染色間の一般化誤差を低減することを目的としている。 我々は,Unsupervised Latent Stain Adaptation (ULSA) と呼ばれる,すべてのステンド画像を含む人工ラベル付きと非ラベル付きデータの共同トレーニングを提案する。 本手法では, 教師付き信号の増大のために, ラベル付きソース画像に合成対象画像を付加するために, ステンドトランスフォーメーションを用いる。
  論文  参考訳（メタデータ） (2024-06-27T11:08:42Z)
• Rethinking Classifier Re-Training in Long-Tailed Recognition: A Simple Logits Retargeting Approach [102.0769560460338]
  我々は,クラスごとのサンプル数に関する事前知識を必要とせず,シンプルなロジットアプローチ(LORT)を開発した。 提案手法は,CIFAR100-LT, ImageNet-LT, iNaturalist 2018など,様々な不均衡データセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-03-01T03:27:08Z)
• Stain Consistency Learning: Handling Stain Variation for Automatic Digital Pathology Segmentation [3.2386272343130127]
  染色色不変の特徴を学習するために,染色特異的増色と染色一貫性損失関数を組み合わせた新しいフレームワークを提案する。 マソンのトリクロマトクロムとH&E染色細胞と核データセットの10つの手法を比較した。 その結果,染色法は同等あるいは悪い性能を示したが,染色法や染色法では性能が向上した。
  論文  参考訳（メタデータ） (2023-11-11T12:00:44Z)
• A Continual Learning Approach for Cross-Domain White Blood Cell Classification [36.482007703764154]
  白血球分類におけるクラスインクリメンタルおよびドメインインクリメンタルシナリオに対するリハーサルに基づく連続学習手法を提案する。 従来のタスクから代表サンプルを選択するために,モデルの予測に基づいてセット選択を用いる。 色,解像度,クラス組成が異なる3つの白血球分類データセットについて,提案手法を徹底的に評価した。
  論文  参考訳（メタデータ） (2023-08-24T09:38:54Z)
• Improving Stain Invariance of CNNs for Segmentation by Fusing Channel Attention and Domain-Adversarial Training [5.501810688265425]
  異なるスライド作成技術、化学物質、スキャナ構成などの染色プロトコルのばらつきは、スライド画像全体(WSI)の多様なセットをもたらす可能性がある。 この分布シフトは、見えないサンプルに対するディープラーニングモデルの性能に悪影響を及ぼす可能性がある。 セマンティックセグメンテーションのための単一ソース設定における変化を染色するために,畳み込みニューラルネットワーク(CNN)の一般化性を改善する手法を提案する。
  論文  参考訳（メタデータ） (2023-04-22T16:54:37Z)
• Rethinking Semi-Supervised Medical Image Segmentation: A Variance-Reduction Perspective [51.70661197256033]
  医用画像セグメンテーションのための階層化グループ理論を用いた半教師付きコントラスト学習フレームワークARCOを提案する。 まず、分散還元推定の概念を用いてARCOを構築することを提案し、特定の分散還元技術が画素/ボクセルレベルのセグメンテーションタスクにおいて特に有用であることを示す。 5つの2D/3D医療データセットと3つのセマンティックセグメンテーションデータセットのラベル設定が異なる8つのベンチマークで、我々のアプローチを実験的に検証する。
  論文  参考訳（メタデータ） (2023-02-03T13:50:25Z)
• Stain-invariant self supervised learning for histopathology image analysis [74.98663573628743]
  乳がんのヘマトキシリンおよびエオシン染色像におけるいくつかの分類課題に対する自己監督アルゴリズムを提案する。 本手法は,いくつかの乳がんデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2022-11-14T18:16:36Z)
• Adaptive Distribution Calibration for Few-Shot Learning with Hierarchical Optimal Transport [78.9167477093745]
  本稿では,新しいサンプルとベースクラス間の適応重み行列を学習し,新しい分布校正法を提案する。 標準ベンチマーク実験の結果,提案したプラグ・アンド・プレイモデルの方が競合する手法より優れていることが示された。
  論文  参考訳（メタデータ） (2022-10-09T02:32:57Z)
• Seamless Iterative Semi-Supervised Correction of Imperfect Labels in Microscopy Images [57.42492501915773]
  生体内試験は、医療機器の毒性に対する動物実験の代替手段である。 人間の疲労は、深層学習を魅力的なものにするために、エラー作成に重要な役割を果たします。 我々は、不完全ラベルのシームレス反復半監督補正(SISSI)を提案する。 本手法は,物体検出に適応的な早期学習補正技術を提供する。
  論文  参考訳（メタデータ） (2022-08-05T18:52:20Z)
• Cross-Site Severity Assessment of COVID-19 from CT Images via Domain Adaptation [64.59521853145368]
  CT画像によるコロナウイルス病2019(COVID-19)の早期かつ正確な重症度評価は,集中治療単位のイベント推定に有効である。 ラベル付きデータを拡張し、分類モデルの一般化能力を向上させるためには、複数のサイトからデータを集約する必要がある。 この課題は、軽度の感染症と重度の感染症の集団不均衡、部位間のドメイン分布の相違、不均一な特徴の存在など、いくつかの課題に直面する。
  論文  参考訳（メタデータ） (2021-09-08T07:56:51Z)

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。