論文の概要: Domain adaptation using optimal transport for invariant learning using histopathology datasets

• arxiv url: http://arxiv.org/abs/2303.02241v1
• Date: Fri, 3 Mar 2023 22:19:19 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-07 20:51:27.190279
• Title: Domain adaptation using optimal transport for invariant learning using histopathology datasets
• Title（参考訳）: 組織病理データを用いた不変学習のための最適トランスポートを用いた領域適応
• Authors: Kianoush Falahkheirkhah, Alex Lu, David Alvarez-Melis, Grace Huynh
• Abstract要約: 病理組織学は癌を含む多くの疾患の診断に重要である。 計算技術はバッチ効果によって制限され、準備プロトコルやスキャナの違いのような技術的な要素がスライドの外観を変える。 そこで本研究では,未確認施設のデータに対する組織モデルの一般化を改善するための領域適応手法を提案する。
• 参考スコア（独自算出の注目度）: 13.133231212085988
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Histopathology is critical for the diagnosis of many diseases, including cancer. These protocols typically require pathologists to manually evaluate slides under a microscope, which is time-consuming and subjective, leading to interest in machine learning to automate analysis. However, computational techniques are limited by batch effects, where technical factors like differences in preparation protocol or scanners can alter the appearance of slides, causing models trained on one institution to fail when generalizing to others. Here, we propose a domain adaptation method that improves the generalization of histopathological models to data from unseen institutions, without the need for labels or retraining in these new settings. Our approach introduces an optimal transport (OT) loss, that extends adversarial methods that penalize models if images from different institutions can be distinguished in their representation space. Unlike previous methods, which operate on single samples, our loss accounts for distributional differences between batches of images. We show that on the Camelyon17 dataset, while both methods can adapt to global differences in color distribution, only our OT loss can reliably classify a cancer phenotype unseen during training. Together, our results suggest that OT improves generalization on rare but critical phenotypes that may only make up a small fraction of the total tiles and variation in a slide.
• Abstract（参考訳）: 病理組織学は癌を含む多くの疾患の診断に重要である。 これらのプロトコルは通常、顕微鏡の下のスライドを手動で評価する必要があるが、それは時間がかかり、主観的であり、分析を自動化する機械学習への関心がもたらされる。 しかし、計算技術はバッチ効果によって制限され、準備プロトコルやスキャナの相違などの技術的な要因がスライドの外観を変化させ、ある機関で訓練されたモデルを他の機関に一般化する際に失敗する。 本稿では, 組織病理モデルから未発見施設のデータへの一般化を, ラベルや再訓練を必要とせずに改善するドメイン適応法を提案する。 提案手法では,異なる施設の画像が表現空間で識別可能であれば,モデルにペナルティを与える手法を拡張した最適輸送(OT)損失を導入する。 単一サンプルで動作する従来の方法とは異なり、損失は画像のバッチ間の分散的な差異を考慮に入れている。 camelyon17データセットでは、どちらの方法も色分布のグローバルな差異に適応できるが、トレーニング中の癌表現型を確実に分類できるのはot損失のみである。 以上の結果から,OTは総タイルのごく一部とスライドの変動のみを構成する稀な表現型の一般化を改善することが示唆された。

関連論文リスト

• Adapting Visual-Language Models for Generalizable Anomaly Detection in Medical Images [68.42215385041114]
  本稿では,CLIPモデルを用いた医用異常検出のための軽量な多レベル適応と比較フレームワークを提案する。 提案手法では,複数の残像アダプタを事前学習した視覚エンコーダに統合し,視覚的特徴の段階的向上を実現する。 医学的異常検出ベンチマーク実験により,本手法が現在の最先端モデルを大幅に上回っていることが示された。
  論文  参考訳（メタデータ） (2024-03-19T09:28:19Z)
• Realistic Data Enrichment for Robust Image Segmentation in Histopathology [2.248423960136122]
  拡散モデルに基づく新しい手法を提案し、不均衡なデータセットを、表現不足なグループから有意な例で拡張する。 本手法は,限定的な臨床データセットを拡張して,機械学習パイプラインのトレーニングに適したものにする。
  論文  参考訳（メタデータ） (2023-04-19T09:52:50Z)
• 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)
• CellMix: A General Instance Relationship based Method for Data Augmentation Towards Pathology Image Classification [6.9596321268519326]
  病理画像解析では、高品質な注釈付きサンプルの取得と維持は非常に労働集約的な作業である。 本稿では,新しい分散指向型インプレースシャッフル手法であるCellMixフレームワークを提案する。 病理画像分類タスクにおける実験は、7つの異なるデータセット上でのSOTA(State-of-the-art)性能を示す。
  論文  参考訳（メタデータ） (2023-01-27T03:17:35Z)
• Intra-class Adaptive Augmentation with Neighbor Correction for Deep Metric Learning [99.14132861655223]
  深層学習のためのクラス内適応拡張(IAA)フレームワークを提案する。 クラスごとのクラス内変動を合理的に推定し, 適応型合成試料を生成し, 硬質試料の採掘を支援する。 本手法は,検索性能の最先端手法を3%～6%向上させる。
  論文  参考訳（メタデータ） (2022-11-29T14:52:38Z)
• 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)
• PatchNR: Learning from Small Data by Patch Normalizing Flow Regularization [57.37911115888587]
  正規化フローに基づく画像の逆問題に対する変分モデリングのための正規化器を提案する。 patchNRと呼ばれる我々の正規化器は、ごく少数の画像のパッチで学習したフローを正規化します。
  論文  参考訳（メタデータ） (2022-05-24T12:14:26Z)
• About Explicit Variance Minimization: Training Neural Networks for Medical Imaging With Limited Data Annotations [2.3204178451683264]
  VAT(Variance Aware Training)法は、モデル損失関数に分散誤差を導入することにより、この特性を利用する。 多様な領域から得られた3つの医用画像データセットと様々な学習目標に対するVATの有効性を検証した。
  論文  参考訳（メタデータ） (2021-05-28T21:34:04Z)
• A Study of Domain Generalization on Ultrasound-based Multi-Class Segmentation of Arteries, Veins, Ligaments, and Nerves Using Transfer Learning [12.869637050331306]
  モデル内の複数の連続ブロックを微調整することで,複数クラスの米国版セグメンテーションを伝達学習により検討する。 本研究では,未知のデータセットの一般化を予測し,微調整法間の統計的に有意な差を観測する簡単な手法を提案する。
  論文  参考訳（メタデータ） (2020-11-13T16:59:20Z)
• Select-ProtoNet: Learning to Select for Few-Shot Disease Subtype Prediction [55.94378672172967]
  本研究は, 類似患者のサブグループを同定し, 数発の疾患のサブタイプ予測問題に焦点を当てた。 新しいモデルを開発するためにメタラーニング技術を導入し、関連する臨床課題から共通の経験や知識を抽出する。 我々の新しいモデルは、単純だが効果的なメタ学習マシンであるPrototypeal Networkと呼ばれる、慎重に設計されたメタラーナーに基づいて構築されている。
  論文  参考訳（メタデータ） (2020-09-02T02:50:30Z)

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。