論文の概要: Interventional Bag Multi-Instance Learning On Whole-Slide Pathological
Images
- arxiv url: http://arxiv.org/abs/2303.06873v1
- Date: Mon, 13 Mar 2023 05:46:56 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-14 16:12:23.825875
- Title: Interventional Bag Multi-Instance Learning On Whole-Slide Pathological
Images
- Title(参考訳): 全身slide病理画像を用いた介入型バッグマルチインテンス学習
- Authors: Tiancheng Lin, Zhimiao Yu, Hongyu Hu, Yi Xu, Chang Wen Chen
- Abstract要約: バグの文脈的事前は、バッグとラベルの間の急激な相関を捉えるためにモデルを騙すかもしれない。
本稿では, バッグレベルの非整合予測を実現するための新しい手法, Interventional Bag Multi-Instance Learning (IBMIL) を提案する。
- 参考スコア(独自算出の注目度): 30.82201485481452
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Multi-instance learning (MIL) is an effective paradigm for whole-slide
pathological images (WSIs) classification to handle the gigapixel resolution
and slide-level label. Prevailing MIL methods primarily focus on improving the
feature extractor and aggregator. However, one deficiency of these methods is
that the bag contextual prior may trick the model into capturing spurious
correlations between bags and labels. This deficiency is a confounder that
limits the performance of existing MIL methods. In this paper, we propose a
novel scheme, Interventional Bag Multi-Instance Learning (IBMIL), to achieve
deconfounded bag-level prediction. Unlike traditional likelihood-based
strategies, the proposed scheme is based on the backdoor adjustment to achieve
the interventional training, thus is capable of suppressing the bias caused by
the bag contextual prior. Note that the principle of IBMIL is orthogonal to
existing bag MIL methods. Therefore, IBMIL is able to bring consistent
performance boosting to existing schemes, achieving new state-of-the-art
performance. Code is available at https://github.com/HHHedo/IBMIL.
- Abstract(参考訳): MIL(Multi-Instance Learning)は、ギガピクセル解像度とスライドレベルラベルを扱うために、WSI分類に有効なパラダイムである。
一般的なMIL法は主に特徴抽出器と集約器の改善に焦点を当てている。
しかし、これらの方法の欠点の一つは、バッグコンテクスト・プリエントが、バッグとラベルの間の散発的な相関を捉えるようにモデルを騙す可能性があることである。
この欠損は、既存のMILメソッドのパフォーマンスを制限する共同創設者である。
本稿では, バッグレベルの非整合予測を実現するための新しい手法, Interventional Bag Multi-Instance Learning (IBMIL) を提案する。
従来の確率ベース戦略とは異なり,提案手法はバックドア調整に基づいて介入訓練を行い,バッグコンテクストによるバイアスを抑制することができる。
IBMILの原理は既存のバッグMIL法と直交していることに注意。
そのため、IBMILは既存のスキームに一貫したパフォーマンス向上をもたらし、新しい最先端のパフォーマンスを達成することができる。
コードはhttps://github.com/HHdo/IBMILで入手できる。
関連論文リスト
- Attention Is Not What You Need: Revisiting Multi-Instance Learning for Whole Slide Image Classification [51.95824566163554]
我々は,標準MIL仮定と変分推論を相乗化することにより,スプリアス相関ではなく腫瘍形態学に焦点を合わせることができると主張している。
また, ハードインスタンスの識別に優れた分類境界を実現し, バッグとラベルの相互関係を緩和する。
論文 参考訳(メタデータ) (2024-08-18T12:15:22Z) - Rethinking Multiple Instance Learning for Whole Slide Image
Classification: A Bag-Level Classifier is a Good Instance-Level Teacher [22.080213609228547]
複数のインスタンス学習は、WSI(Whole Slide Image)分類において約束されている。
既存の手法は一般に2段階のアプローチを採用しており、学習不可能な特徴埋め込み段階と分類器訓練段階からなる。
バッグレベルの分類器は、良いインスタンスレベルの教師になれると提案する。
論文 参考訳(メタデータ) (2023-12-02T10:16:03Z) - Amortizing intractable inference in large language models [56.92471123778389]
難治性後部分布のサンプルとして, 償却ベイズ推定を用いる。
我々は,LLMファインチューニングの分散マッチングパラダイムが,最大習熟の代替となることを実証的に実証した。
重要な応用として、チェーン・オブ・ソート推論を潜在変数モデリング問題として解釈する。
論文 参考訳(メタデータ) (2023-10-06T16:36:08Z) - Iteratively Coupled Multiple Instance Learning from Instance to Bag
Classifier for Whole Slide Image Classification [21.16848269555692]
Whole Slide Image (WSI)分類は、非常に高解像度であり、きめ細かいラベルがないため、依然として課題である。
我々は,バッグレベルの分類器からパッチ埋め込み装置への損失バックプロパゲーションプロセスをブリッジする,ICMIL (Iteratively Coupled MIL) と呼ばれる新しいフレームワークを提案する。
論文 参考訳(メタデータ) (2023-03-28T06:12:53Z) - Rethinking Clustering-Based Pseudo-Labeling for Unsupervised
Meta-Learning [146.11600461034746]
教師なしメタラーニングのメソッドであるCACTUsは、擬似ラベル付きクラスタリングベースのアプローチである。
このアプローチはモデルに依存しないため、教師付きアルゴリズムと組み合わせてラベルのないデータから学習することができる。
このことの核となる理由は、埋め込み空間においてクラスタリングに優しい性質が欠如していることである。
論文 参考訳(メタデータ) (2022-09-27T19:04:36Z) - Feature Re-calibration based MIL for Whole Slide Image Classification [7.92885032436243]
全スライド画像(WSI)分類は疾患の診断と治療の基本的な課題である。
本稿では,WSI バッグ (インスタンス) の分布を,最大インスタンス (クリティカル) 特性の統計値を用いて再校正することを提案する。
位置符号化モジュール(PEM)を用いて空間・形態情報をモデル化し,マルチヘッド自己アテンション(PSMA)をトランスフォーマーエンコーダでプーリングする。
論文 参考訳(メタデータ) (2022-06-22T07:00:39Z) - Interventional Multi-Instance Learning with Deconfounded Instance-Level
Prediction [29.151629044965983]
本稿では,インスタンスレベルの非定型予測を実現するために,新しい介入型マルチインスタンス学習(IMIL)フレームワークを提案する。
従来の可能性に基づく戦略とは異なり、因果介入に基づく期待最大化(EM)アルゴリズムを設計する。
IMIL法は, 偽陽性を著しく低減し, 最先端のMIL法より優れる。
論文 参考訳(メタデータ) (2022-04-20T03:17:36Z) - Boosting Weakly Supervised Object Detection via Learning Bounding Box
Adjusters [76.36104006511684]
高価なインスタンスレベルのオブジェクトアノテーションを避けるため、WSOD(Weakly-supervised Object Detection)が最近の話題として登場した。
我々は、よく注釈付けされた補助データセットからバウンディングボックス回帰知識を活用することにより、ローカライズ性能を向上させるための問題設定を擁護する。
提案手法は,WSOD法と知識伝達モデルに対して,同様の問題設定で良好に機能する。
論文 参考訳(メタデータ) (2021-08-03T13:38:20Z) - Prior Guided Feature Enrichment Network for Few-Shot Segmentation [64.91560451900125]
最先端のセマンティックセグメンテーション手法は、良い結果を得るために十分なラベル付きデータを必要とする。
少数のラベル付きサポートサンプルを持つ新しいクラスに迅速に適応するモデルを学習することで,この問題に対処するためのショットセグメンテーションが提案されている。
これらのフレームワークは、高レベルのセマンティック情報の不適切な使用により、目に見えないクラスにおける一般化能力の低下という課題に直面している。
論文 参考訳(メタデータ) (2020-08-04T10:41:32Z) - Dual-stream Maximum Self-attention Multi-instance Learning [11.685285490589981]
MIL(Multi-Instance Learning)は、インスタンスレベルのラベルが利用できない間に単一のクラスラベルがインスタンスのバッグに割り当てられる弱い教師付き学習の一種である。
ニューラルネットワークによりパラメータ化されたDSMILモデル(Dual-stream maximum self-attention MIL model)を提案する。
提案手法は,最高のMIL手法と比較して優れた性能を示し,ベンチマークMILデータセット上での最先端性能を示す。
論文 参考訳(メタデータ) (2020-06-09T22:44:58Z) - Weakly-Supervised Action Localization with Expectation-Maximization
Multi-Instance Learning [82.41415008107502]
弱教師付きアクションローカライゼーションでは、ビデオレベルアクションラベルのみを与えられたビデオ内のアクションセグメントをローカライズするモデルをトレーニングする必要がある。
バッグ(ビデオ)には複数のインスタンス(アクションセグメント)が含まれている。
我々のEM-MILアプローチは、学習目標とMIL仮定の両方をより正確にモデル化することを示します。
論文 参考訳(メタデータ) (2020-03-31T23:36:04Z)
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。