論文の概要: Positive-unlabeled learning for binary and multi-class cell detection in
histopathology images with incomplete annotations
- arxiv url: http://arxiv.org/abs/2302.08050v1
- Date: Thu, 16 Feb 2023 03:12:04 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-17 15:10:53.531691
- Title: Positive-unlabeled learning for binary and multi-class cell detection in
histopathology images with incomplete annotations
- Title（参考訳）: 不完全アノテーションを有する病理組織像における二値および多値細胞検出のための正ラベル学習
- Authors: Zipei Zhao and Fengqian Pang and Yaou Liu and Zhiwen Liu and Chuyang
Ye
- Abstract要約: CNNベースの細胞検出モデルをトレーニングするには、トレーニングイメージのすべての正のインスタンスに注釈を付ける必要がある。
多くの場合、前向きなインスタンスのいくつかが注釈付けされ、他のインスタンスが注釈付けされていない、不完全なアノテーションのみが利用可能です。
本稿では,検出ネットワークのトレーニングを正の未ラベル学習問題として再構成することを提案する。
- 参考スコア（独自算出の注目度）: 0.7874708385247353
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cell detection in histopathology images is of great interest to clinical
practice and research, and convolutional neural networks (CNNs) have achieved
remarkable cell detection results. Typically, to train CNN-based cell detection
models, every positive instance in the training images needs to be annotated,
and instances that are not labeled as positive are considered negative samples.
However, manual cell annotation is complicated due to the large number and
diversity of cells, and it can be difficult to ensure the annotation of every
positive instance. In many cases, only incomplete annotations are available,
where some of the positive instances are annotated and the others are not, and
the classification loss term for negative samples in typical network training
becomes incorrect. In this work, to address this problem of incomplete
annotations, we propose to reformulate the training of the detection network as
a positive-unlabeled learning problem. Since the instances in unannotated
regions can be either positive or negative, they have unknown labels. Using the
samples with unknown labels and the positively labeled samples, we first derive
an approximation of the classification loss term corresponding to negative
samples for binary cell detection, and based on this approximation we further
extend the proposed framework to multi-class cell detection. For evaluation,
experiments were performed on four publicly available datasets. The
experimental results show that our method improves the performance of cell
detection in histopathology images given incomplete annotations for network
training.
- Abstract（参考訳）: 病理組織像における細胞検出は臨床と研究に大きな関心を寄せ、畳み込みニューラルネットワーク(cnns)は優れた細胞検出結果を得た。
通常、cnnベースの細胞検出モデルをトレーニングするには、トレーニング画像中のすべてのポジティブなインスタンスに注釈をつける必要があり、ポジティブとラベル付けされていないインスタンスは負のサンプルとみなされる。
しかし, 細胞数の多さや多様性のため, 手動の細胞アノテーションは複雑であり, 正のインスタンスのアノテーションを確実にすることは困難である。
多くの場合、正のインスタンスがアノテートされ、他のインスタンスがアノテートされていない不完全なアノテーションのみが利用可能であり、典型的なネットワークトレーニングにおける負のサンプルの分類損失項は正しくない。
本研究では,この不完全アノテーション問題に対処するために,検出ネットワークの学習を正のラベル付き学習問題として再編成する。
注釈のない領域のインスタンスは正または負のどちらかであり得るため、未知のラベルを持つ。
まず、未知のラベルと正にラベル付けされたサンプルを用いて、バイナリー細胞検出のための負のサンプルに対応する分類損失項の近似を導出し、この近似に基づいて、提案フレームワークをさらにマルチクラス細胞検出に拡張する。
評価のために、4つの公開データセットで実験を行った。
実験の結果,ネットワークトレーニングに不完全なアノテーションが与えられ,病理組織像における細胞検出性能が向上した。
関連論文リスト
- Robust Positive-Unlabeled Learning via Noise Negative Sample
Self-correction [48.929877651182885]
正および未ラベルのデータから学ぶことは、文学における正の未ラベル(PU)学習として知られている。
本研究では,人間の学習の性質を動機とした学習戦略を取り入れた,新しい堅牢なPU学習手法を提案する。
論文 参考訳（メタデータ） (2023-08-01T04:34:52Z) - Better Sampling of Negatives for Distantly Supervised Named Entity
Recognition [39.264878763160766]
本稿では, 正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正の正
提案手法は,4つの遠隔教師付きNERデータセットに対して一貫した性能向上を実現する。
論文 参考訳（メタデータ） (2023-05-22T15:35:39Z) - Positive unlabeled learning with tensor networks [0.0]
正のラベルなし学習は、正のラベルなしデータを持つ二項分類問題である。
この研究は、正のラベルなし学習問題に対して、特徴空間距離に基づくテンソルネットワークアプローチを導入する。
論文 参考訳（メタデータ） (2022-11-25T13:14:33Z) - Learning From Positive and Unlabeled Data Using Observer-GAN [0.0]
正・未ラベルデータ(A.K.A. PU学習)から学習することの問題は、二項分類(正・負)において研究されている。
GAN(Generative Adversarial Networks)は、教師あり学習が分類タスクにおいて最先端の精度を持つという利点を生かして、教師あり設定に問題を還元するために使用されている。
論文 参考訳（メタデータ） (2022-08-26T07:35:28Z) - 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) - Cell Detection from Imperfect Annotation by Pseudo Label Selection Using
P-classification [9.080472817672264]
不完全な注釈付きデータからの細胞検出のための擬似ラベリング手法を提案する。
このようなラベル付きデータを用いてトレーニングされた検出畳み込みニューラルネットワーク(CNN)は、しばしば過剰検出を生成する。
5つの異なる条件における顕微鏡画像を用いた実験により,提案手法の有効性が示された。
論文 参考訳（メタデータ） (2021-07-20T07:08:05Z) - Positive-unlabeled Learning for Cell Detection in Histopathology Images
with Incomplete Annotations [1.1470070927586016]
正の未ラベル学習問題として検出ネットワークのトレーニングを定式化する。
乳がん細胞のミトーシス検出のための公開データセットで実験を行った。
論文 参考訳（メタデータ） (2021-06-30T09:20:25Z) - Incremental False Negative Detection for Contrastive Learning [95.68120675114878]
本稿では,自己指導型コントラスト学習のための新たな偽陰性検出手法を提案する。
対照的な学習では、検出された偽陰性を明示的に除去する2つの戦略について議論する。
提案手法は,制限された計算内での複数のベンチマークにおいて,他の自己教師付きコントラスト学習フレームワークよりも優れる。
論文 参考訳（メタデータ） (2021-06-07T15:29:14Z) - Understanding Classifier Mistakes with Generative Models [88.20470690631372]
ディープニューラルネットワークは教師付き学習タスクに有効であるが、脆弱であることが示されている。
本稿では、生成モデルを利用して、分類器が一般化に失敗するインスタンスを特定し、特徴付ける。
我々のアプローチは、トレーニングセットのクラスラベルに依存しないため、半教師付きでトレーニングされたモデルに適用できる。
論文 参考訳（メタデータ） (2020-10-05T22:13:21Z) - CSI: Novelty Detection via Contrastive Learning on Distributionally
Shifted Instances [77.28192419848901]
コントラストシフトインスタンス (CSI) という,単純かつ効果的な手法を提案する。
従来のコントラスト学習法のように,サンプルを他の例と対比することに加えて,本トレーニング手法では,サンプルを分散シフトによる拡張と対比する。
本実験は, 種々の新規検出シナリオにおける本手法の優位性を実証する。
論文 参考訳（メタデータ） (2020-07-16T08:32:56Z) - Object Detection as a Positive-Unlabeled Problem [78.2955013126312]
本稿では,未ラベル領域が負でなければならないという仮定を排除し,対象検出を正の未ラベル(PU)問題として扱うことを提案する。
提案するPU分類の損失は, PASCAL VOCやMS COCO, Visual GenomeやDeepLesionなど, ラベルの欠如により, 標準的なPN損失よりも優れていた。
論文 参考訳（メタデータ） (2020-02-11T20:49:34Z)
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。