論文の概要: Data Efficient Contrastive Learning in Histopathology using Active
Sampling
- arxiv url: http://arxiv.org/abs/2303.16247v3
- Date: Thu, 11 May 2023 03:18:29 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-12 17:53:16.609092
- Title: Data Efficient Contrastive Learning in Histopathology using Active
Sampling
- Title(参考訳): アクティブサンプリングを用いた病理組織学におけるデータ効率の良いコントラスト学習
- Authors: Tahsin Reasat and David S. Smith
- Abstract要約: ディープラーニングに基づく診断システムは、デジタル病理学において正確で堅牢な定量的分析を提供することができる。
これらのアルゴリズムは、病理学では実用的でない大量の注釈付きトレーニングデータを必要とする。
アドホックなプリテキストタスクを用いて特徴を学習するための自己教師付き手法が提案されている。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Deep Learning based diagnostics systems can provide accurate and robust
quantitative analysis in digital pathology. These algorithms require large
amounts of annotated training data which is impractical in pathology due to the
high resolution of histopathological images. Hence, self-supervised methods
have been proposed to learn features using ad-hoc pretext tasks. The
self-supervised training process is time consuming and often leads to subpar
feature representation due to a lack of constrain on the learnt feature space,
particularly prominent under data imbalance. In this work, we propose to
actively sample the training set using a handful of labels and a small proxy
network, decreasing sample requirement by 93% and training time by 62%.
- Abstract(参考訳): ディープラーニングに基づく診断システムは、デジタル病理学において正確で堅牢な定量的分析を提供することができる。
これらのアルゴリズムは、病理組織像の高分解能のため、病理学では実用的でない大量の注釈付きトレーニングデータを必要とする。
そこで,アドホックなプレテキストタスクを用いて特徴を学習するための自己指導手法が提案されている。
自己教師型トレーニングプロセスは時間がかかり、学習した特徴空間、特にデータ不均衡の下で顕著な制約が欠如しているため、しばしばサブパー機能表現につながる。
本研究では,少数のラベルと小さなプロキシネットワークを用いてトレーニングセットを積極的にサンプリングし,サンプル要求を93%削減し,トレーニング時間を62%削減することを提案する。
関連論文リスト
- Accounting For Informative Sampling When Learning to Forecast Treatment
Outcomes Over Time [66.08455276899578]
適切な基準を満たさない場合,情報サンプリングは治療結果の正確な推定を禁止できることが示唆された。
逆強度重み付けを用いた情報サンプリングの存在下での処理結果を学習するための一般的な枠組みを提案する。
本稿では,ニューラルCDEを用いてこのフレームワークをインスタンス化する新しい手法であるTESAR-CDEを提案する。
論文 参考訳(メタデータ) (2023-06-07T08:51:06Z) - BYOLMed3D: Self-Supervised Representation Learning of Medical Videos
using Gradient Accumulation Assisted 3D BYOL Framework [0.0]
教師付き学習アルゴリズムは、堅牢な表現を学習するために、大量のバランスのとれたデータを必要とする。
自己教師付き学習アルゴリズムはデータの不均衡に対して堅牢であり、堅牢な表現を学習することができる。
我々は、勾配累積法を用いて3D BYOL自己教師モデルを構築し、通常、自己教師アルゴリズムで必要とされるバッチ内の多数のサンプルを扱う。
論文 参考訳(メタデータ) (2022-07-31T14:48:06Z) - Time-based Self-supervised Learning for Wireless Capsule Endoscopy [1.3514953384460016]
本研究は,無線内視鏡ビデオにおける自己教師あり学習の活用を提案する。
本研究では,時間軸から抽出した推定固有構造を用いることで,重度の不均衡下であっても,複数の領域固有のアプリケーションにおける検出率を向上させることを証明する。
論文 参考訳(メタデータ) (2022-04-20T20:31:06Z) - A Histopathology Study Comparing Contrastive Semi-Supervised and Fully
Supervised Learning [0.0]
計算病理学におけるラベル付け負担を軽減するための自己教師型学習について検討する。
ImageNetの事前学習ネットワークは,Barlow Twinsを用いた自己教師型表現よりも優れていた。
論文 参考訳(メタデータ) (2021-11-10T19:04:08Z) - Low-Regret Active learning [64.36270166907788]
トレーニングに最も有用なラベル付きデータポイントを識別するオンライン学習アルゴリズムを開発した。
私たちの仕事の中心は、予測可能な(簡単な)インスタンスの低い後悔を達成するために調整された睡眠専門家のための効率的なアルゴリズムです。
論文 参考訳(メタデータ) (2021-04-06T22:53:45Z) - Sample Efficient Learning of Image-Based Diagnostic Classifiers Using
Probabilistic Labels [11.377362220429786]
確率ラベルの学習と利用により、比較的小さなデータセットから正確で校正されたディープネットワークをトレーニングする方法を提案する。
従来の手法と比較して,これらのラベルでトレーニングしたモデルの精度は最大22%向上した。
論文 参考訳(メタデータ) (2021-02-11T18:13:56Z) - Deep Low-Shot Learning for Biological Image Classification and
Visualization from Limited Training Samples [52.549928980694695]
In situ hybridization (ISH) gene expression pattern image from the same developmental stage。
正確な段階のトレーニングデータをラベル付けするのは、生物学者にとっても非常に時間がかかる。
限られた訓練画像を用いてISH画像を正確に分類する2段階の低ショッ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) (2020-10-20T06:06:06Z) - 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) - Self-Training with Improved Regularization for Sample-Efficient Chest
X-Ray Classification [80.00316465793702]
挑戦的なシナリオで堅牢なモデリングを可能にするディープラーニングフレームワークを提案する。
その結果,85%のラベル付きデータを用いて,大規模データ設定で学習した分類器の性能に適合する予測モデルを構築することができた。
論文 参考訳(メタデータ) (2020-05-03T02:36:00Z) - Confident Coreset for Active Learning in Medical Image Analysis [57.436224561482966]
本稿では,情報的サンプルを効果的に選択するための,不確実性と分散性を考慮した新しい能動的学習手法である信頼コアセットを提案する。
2つの医用画像解析タスクの比較実験により,本手法が他の活動的学習方法より優れていることを示す。
論文 参考訳(メタデータ) (2020-04-05T13:46:16Z)
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。