論文の概要: Robust Semi-Supervised Learning for Histopathology Images through
Self-Supervision Guided Out-of-Distribution Scoring
- arxiv url: http://arxiv.org/abs/2303.09930v1
- Date: Fri, 17 Mar 2023 12:38:28 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-20 14:44:48.001956
- Title: Robust Semi-Supervised Learning for Histopathology Images through
Self-Supervision Guided Out-of-Distribution Scoring
- Title（参考訳）: 自己スーパービジョン・アウト・オブ・ディストリビューション・スコリングによる病理画像のロバスト半監督学習
- Authors: Nikhil Cherian Kurian, Varsha S, Abhijit Patil, Shashikant Khade, Amit
Sethi
- Abstract要約: 本稿では,デジタルヒストロジー画像におけるオープンセット型教師あり学習課題に対処するための新しいパイプラインを提案する。
我々のパイプラインは、自己教師付き学習に基づいて、各未ラベルデータポイントのOODスコアを効率的に推定する。
我々のフレームワークはどんなセミSLフレームワークとも互換性があり、我々の実験は人気のあるMixmatchセミSLフレームワークに基づいています。
- 参考スコア（独自算出の注目度）: 1.8558180119033003
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semi-supervised learning (semi-SL) is a promising alternative to supervised
learning for medical image analysis when obtaining good quality supervision for
medical imaging is difficult. However, semi-SL assumes that the underlying
distribution of unaudited data matches that of the few labeled samples, which
is often violated in practical settings, particularly in medical images. The
presence of out-of-distribution (OOD) samples in the unlabeled training pool of
semi-SL is inevitable and can reduce the efficiency of the algorithm. Common
preprocessing methods to filter out outlier samples may not be suitable for
medical images that involve a wide range of anatomical structures and rare
morphologies. In this paper, we propose a novel pipeline for addressing
open-set supervised learning challenges in digital histology images. Our
pipeline efficiently estimates an OOD score for each unlabelled data point
based on self-supervised learning to calibrate the knowledge needed for a
subsequent semi-SL framework. The outlier score derived from the OOD detector
is used to modulate sample selection for the subsequent semi-SL stage, ensuring
that samples conforming to the distribution of the few labeled samples are more
frequently exposed to the subsequent semi-SL framework. Our framework is
compatible with any semi-SL framework, and we base our experiments on the
popular Mixmatch semi-SL framework. We conduct extensive studies on two digital
pathology datasets, Kather colorectal histology dataset and a dataset derived
from TCGA-BRCA whole slide images, and establish the effectiveness of our
method by comparing with popular methods and frameworks in semi-SL algorithms
through various experiments.
- Abstract（参考訳）: 半教師付き学習 (semi-sl) は, 医用画像解析における品質管理が困難である場合, 教師付き学習に代わる有望な代替手段である。
しかし、semi-slは、基礎となる未監査データの分布が少数のラベル付きサンプルの分布と一致すると仮定している。
半SLの未ラベルトレーニングプールにおけるOOD(out-of-distriion)サンプルの存在は避けられず,アルゴリズムの効率を低下させることができる。
異常サンプルをフィルターする一般的な前処理方法は、幅広い解剖学的構造と稀な形態を含む医療画像には適さないかもしれない。
本稿では,デジタルヒストロジー画像におけるオープンセット教師あり学習課題に対処するための新しいパイプラインを提案する。
パイプラインは、自己教師付き学習に基づいて、各データポイントのOODスコアを効率的に推定し、その後の半SLフレームワークに必要な知識を校正する。
OOD検出器から得られる外れ値スコアを用いて、その後の半SLステージのサンプル選択を変調し、少数のラベル付きサンプルの分布に応じたサンプルがその後の半SLフレームワークにより頻繁に露出することを保証する。
我々のフレームワークはどんなセミSLフレームワークとも互換性があり、我々の実験は人気のあるMixmatchセミSLフレームワークに基づいています。
大腸組織学データセットとtga-brca全体のスライド画像から得られたデータセットの2つのデジタル病理学データセットについて広範な研究を行い,半slアルゴリズムの一般的な方法とフレームワークを様々な実験を通して比較することにより,本手法の有効性を確立した。
関連論文リスト
- Wound Tissue Segmentation in Diabetic Foot Ulcer Images Using Deep Learning: A Pilot Study [5.397013836968946]
我々は,創部組織分割アルゴリズムを評価するためのDFUT草案データセットを作成した。
データセットには110枚の画像と、創傷の専門家によってラベル付けされた組織、600枚の未ラベル画像が含まれている。
注釈付きデータの量が限られているため、我々のフレームワークは、教師付き学習(SL)と半教師付き学習(SSL)の両方のフェーズで構成されている。
論文 参考訳（メタデータ） (2024-06-23T05:01:51Z) - Multi-Level Global Context Cross Consistency Model for Semi-Supervised
Ultrasound Image Segmentation with Diffusion Model [0.0]
本研究では,Latent Diffusion Model (LDM) によって生成された画像を,半教師付き学習のためのラベル付き画像として利用するフレームワークを提案する。
提案手法により,確率分布の知識をセグメント化ネットワークに効果的に伝達することが可能となり,セグメント化精度が向上する。
論文 参考訳（メタデータ） (2023-05-16T14:08:24Z) - 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) - Universal Semi-Supervised Learning for Medical Image Classification [21.781201758182135]
セミ教師付き学習(SSL)は、適切なラベル付きトレーニングデータを収集するコストを削減できるため、多くの注目を集めている。
従来のSSLは、ラベル付きデータとラベルなしデータが同じディストリビューションのものであるべきだという仮定に基づいて構築されている。
本研究では,未表示のラベル付きデータを利用した半教師付き医療画像分類のための統一的なフレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-08T16:12:36Z) - 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) - Benchmarking Self-Supervised Learning on Diverse Pathology Datasets [10.868779327544688]
自己教師付き学習は、ラベルのないデータを活用する効果的な方法であることが示されている。
我々は、病理画像データに基づいてSSL事前トレーニングを行う最大規模の研究を行う。
核インスタンスセグメンテーションの課題に対してSSLを初めて適用する。
論文 参考訳（メタデータ） (2022-12-09T06:38:34Z) - Hierarchical Semi-Supervised Contrastive Learning for
Contamination-Resistant Anomaly Detection [81.07346419422605]
異常検出は、通常のデータ分布から逸脱したサンプルを特定することを目的としている。
コントラスト学習は、異常の効果的な識別を可能にする表現のサンプル化に成功している。
汚染耐性異常検出のための新しい階層型半教師付きコントラスト学習フレームワークを提案する。
論文 参考訳（メタデータ） (2022-07-24T18:49:26Z) - PCA: Semi-supervised Segmentation with Patch Confidence Adversarial
Training [52.895952593202054]
医用画像セグメンテーションのためのPatch Confidence Adrial Training (PCA) と呼ばれる半教師付き対向法を提案する。
PCAは各パッチの画素構造とコンテキスト情報を学習し、十分な勾配フィードバックを得る。
本手法は, 医用画像のセグメンテーションにおいて, 最先端の半教師付き手法より優れており, その有効性を示している。
論文 参考訳（メタデータ） (2022-07-24T07:45:47Z) - Trash to Treasure: Harvesting OOD Data with Cross-Modal Matching for
Open-Set Semi-Supervised Learning [101.28281124670647]
オープンセット半教師付き学習(Open-set SSL)では、ラベルなしデータにOOD(Out-of-distribution)サンプルを含む、難しいが実用的なシナリオを調査する。
我々は、OODデータの存在を効果的に活用し、特徴学習を増強する新しいトレーニングメカニズムを提案する。
我々のアプローチは、オープンセットSSLのパフォーマンスを大幅に向上させ、最先端技術よりも大きなマージンで性能を向上します。
論文 参考訳（メタデータ） (2021-08-12T09:14:44Z) - Multi-Task Curriculum Framework for Open-Set Semi-Supervised Learning [54.85397562961903]
ラベル付きデータに制限がある場合に、ラベルなしデータを利用して強力なモデルをトレーニングする半教師付き学習(SSL)が提案されている。
我々は、Open-set SSLと呼ばれるより複雑な新しいシナリオに対処する。
提案手法は,OOD試料の効果を除去し,最先端の結果を得る。
論文 参考訳（メタデータ） (2020-07-22T10:33:55Z) - Semi-supervised Medical Image Classification with Relation-driven
Self-ensembling Model [71.80319052891817]
医用画像分類のための関係駆動型半教師付きフレームワークを提案する。
これは、摂動下で与えられた入力の予測一貫性を促進することでラベルのないデータを利用する。
本手法は,シングルラベルおよびマルチラベル画像分類のシナリオにおいて,最先端の半教師付き学習手法よりも優れる。
論文 参考訳（メタデータ） (2020-05-15T06:57:54Z)
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。