論文の概要: Classification in Histopathology: A unique deep embeddings extractor for multiple classification tasks

• arxiv url: http://arxiv.org/abs/2303.05180v1
• Date: Thu, 9 Mar 2023 11:19:42 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-10 15:19:14.808549
• Title: Classification in Histopathology: A unique deep embeddings extractor for multiple classification tasks
• Title（参考訳）: 病理組織学における分類:多重分類課題のための一意な深層埋め込み抽出器
• Authors: Adrien Nivaggioli and Nicolas Pozin and R\'emy Peyret and St\'ephane Sockeel and Marie Sockeel and Nicolas Nerrienet and Marceau Clavel and Clara Simmat and Catherine Miquel
• Abstract要約: 私たちは、イメージを深い特徴に変換するために、訓練済みのディープ埋め込み抽出器を1つ使用しています。 また、各分類タスクに対して、これらの埋め込みに対して、小さな専用分類ヘッドをトレーニングします。 このアプローチは、さまざまなタスクに対して、トレーニング済みの1つのディープネットワークを再利用する機能など、いくつかのメリットを提供します。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In biomedical imaging, deep learning-based methods are state-of-the-art for every modality (virtual slides, MRI, etc.) In histopathology, these methods can be used to detect certain biomarkers or classify lesions. However, such techniques require large amounts of data to train high-performing models which can be intrinsically difficult to acquire, especially when it comes to scarce biomarkers. To address this challenge, we use a single, pre-trained, deep embeddings extractor to convert images into deep features and train small, dedicated classification head on these embeddings for each classification task. This approach offers several benefits such as the ability to reuse a single pre-trained deep network for various tasks; reducing the amount of labeled data needed as classification heads have fewer parameters; and accelerating training time by up to 1000 times, which allows for much more tuning of the classification head. In this work, we perform an extensive comparison of various open-source backbones and assess their fit to the target histological image domain. This is achieved using a novel method based on a proxy classification task. We demonstrate that thanks to this selection method, an optimal feature extractor can be selected for different tasks on the target domain. We also introduce a feature space augmentation strategy which proves to substantially improve the final metrics computed for the different tasks considered. To demonstrate the benefit of such backbone selection and feature-space augmentation, our experiments are carried out on three separate classification tasks and show a clear improvement on each of them: microcalcifications (29.1% F1-score increase), lymph nodes metastasis (12.5% F1-score increase), mitosis (15.0% F1-score increase).
• Abstract（参考訳）: バイオメディカルイメージングでは、深層学習に基づく手法は、病理組織学におけるあらゆるモダリティ(仮想スライド、mriなど)の最先端技術であり、これらの手法は特定のバイオマーカーの検出や病変の分類に使用できる。 しかし、このような技術は、特にバイオマーカーの少ない場合には、本質的に取得が困難であるハイパフォーマンスモデルを訓練するために大量のデータを必要とする。 この課題に対処するために、我々は、単一の事前学習された深層埋め込み抽出器を使用して、画像を深い特徴に変換し、分類タスクごとにこれらの埋め込みに対して、小さく専用の分類ヘッドを訓練する。 このアプローチは、様々なタスクのために事前訓練された1つのディープネットワークを再利用する能力、分類ヘッドに必要なラベル付きデータの量を減らすこと、最大1000倍のトレーニング時間を短縮することなど、いくつかの利点を提供している。 本研究では,様々なオープンソースバックボーンを広範囲に比較し,対象の組織画像領域への適合性を評価する。 これはプロキシ分類タスクに基づいた新しい手法を用いて達成される。 この選択法により、対象領域の異なるタスクに対して最適な特徴抽出器を選択できることを実証する。 また、検討対象の異なるタスクに対して計算された最終的なメトリクスを大幅に改善する機能空間拡張戦略も導入する。 このようなバックボーン選択と機能空間拡張の利点を実証するために, マイクロ石灰化 (29.1% f1-score増加), リンパ節転移 (12.5% f1-score増加), 分裂 (15.0% f1-score増加) の3つの異なる分類タスクを用いて実験を行った。

関連論文リスト

• UniCell: Universal Cell Nucleus Classification via Prompt Learning [76.11864242047074]
  ユニバーサル細胞核分類フレームワーク(UniCell)を提案する。 異なるデータセットドメインから対応する病理画像のカテゴリを均一に予測するために、新しいプロンプト学習機構を採用している。 特に,本フレームワークでは,原子核検出と分類のためのエンドツーエンドアーキテクチャを採用し,フレキシブルな予測ヘッドを用いて様々なデータセットを適応する。
  論文  参考訳（メタデータ） (2024-02-20T11:50:27Z)
• Multi-task Explainable Skin Lesion Classification [54.76511683427566]
  少ないラベル付きデータでよく一般化する皮膚病変に対する数発のショットベースアプローチを提案する。 提案手法は,アテンションモジュールや分類ネットワークとして機能するセグメンテーションネットワークの融合を含む。
  論文  参考訳（メタデータ） (2023-10-11T05:49:47Z)
• 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)
• Active learning using adaptable task-based prioritisation [7.0002224852386545]
  我々は,バッチモードのアクティブ学習のように,バッチ列内の画像の優先度を測定するコントローラニューラルネットワークを開発した。 メタ強化学習アルゴリズムは複数のMDPを用いて提案され、事前学習したコントローラを新しいMDPに適応させることができる。 提案法により, 腎臓の新しい分類のセグメンテーション精度が向上することが示唆された。
  論文  参考訳（メタデータ） (2022-12-03T22:37:38Z)
• Application of Transfer Learning and Ensemble Learning in Image-level Classification for Breast Histopathology [9.037868656840736]
  CAD(Computer-Aided Diagnosis)では、従来の分類モデルでは、主に1つのネットワークを使って特徴を抽出する。 本稿では良性病変と悪性病変のバイナリ分類のための画像レベルラベルに基づく深層アンサンブルモデルを提案する。 結果: アンサンブルネットワークモデルにおいて、画像レベルのバイナリ分類は9,8.90%の精度を達成する。
  論文  参考訳（メタデータ） (2022-04-18T13:31:53Z)
• Data variation-aware medical image segmentation [0.0]
  我々は,この領域におけるこれまでの作業を改善するアプローチを提案する。 前立腺分画によるCTスキャンの実際の臨床データセットを用いた実験では,Diceおよび表面Dice係数の面で,いくつかのパーセンテージが向上した。
  論文  参考訳（メタデータ） (2022-02-24T13:35:34Z)
• PDBL: Improving Histopathological Tissue Classification with Plug-and-Play Pyramidal Deep-Broad Learning [20.940530194934972]
  Pyramidal Deep-Broad Learning (PDBL) は、よく訓練された分類バックボーンのための軽量なプラグイン・アンド・プレイモジュールである。 PDBLは、任意のCNNバックボーンの組織レベルの分類性能を着実に改善することができる。
  論文  参考訳（メタデータ） (2021-11-04T09:35:12Z)
• Medulloblastoma Tumor Classification using Deep Transfer Learning with Multi-Scale EfficientNets [63.62764375279861]
  本稿では,エンド・ツー・エンドのMB腫瘍分類を提案し,様々な入力サイズとネットワーク次元の一致した移動学習を提案する。 161ケースのデータセットを用いて、より大規模な入力解像度を持つ事前学習されたEfficientNetが、大幅な性能改善をもたらすことを実証した。
  論文  参考訳（メタデータ） (2021-09-10T13:07:11Z)
• Attention Model Enhanced Network for Classification of Breast Cancer Image [54.83246945407568]
  AMENはマルチブランチ方式で、画素ワイドアテンションモデルとサブモジュールの分類で定式化される。 微妙な詳細情報に焦点を合わせるため、サンプル画像は、前枝から生成された画素対応の注目マップによって強化される。 3つのベンチマークデータセットで行った実験は、様々なシナリオにおいて提案手法の優位性を実証している。
  論文  参考訳（メタデータ） (2020-10-07T08:44:21Z)
• 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。