論文の概要: Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images

• arxiv url: http://arxiv.org/abs/2304.03537v1
• Date: Fri, 7 Apr 2023 08:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-10 12:34:02.413069
• Title: Domain Adaptive Multiple Instance Learning for Instance-level Prediction of Pathological Images
• Title（参考訳）: 病的画像のインスタンスレベル予測のためのドメイン適応型多重インスタンス学習
• Authors: Shusuke Takahama, Yusuke Kurose, Yusuke Mukuta, Hiroyuki Abe, Akihiko Yoshizawa, Tetsuo Ushiku, Masashi Fukayama, Masanobu Kitagawa, Masaru Kitsuregawa, Tatsuya Harada
• Abstract要約: アノテーションのコストを増大させることなく、ターゲットデータセットの分類性能を向上させるためのタスク設定を提案する。 両手法の監督情報を効果的に組み合わせるために,信頼性の高い擬似ラベルを作成する手法を提案する。
• 参考スコア（独自算出の注目度）: 45.132775668689604
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pathological image analysis is an important process for detecting abnormalities such as cancer from cell images. However, since the image size is generally very large, the cost of providing detailed annotations is high, which makes it difficult to apply machine learning techniques. One way to improve the performance of identifying abnormalities while keeping the annotation cost low is to use only labels for each slide, or to use information from another dataset that has already been labeled. However, such weak supervisory information often does not provide sufficient performance. In this paper, we proposed a new task setting to improve the classification performance of the target dataset without increasing annotation costs. And to solve this problem, we propose a pipeline that uses multiple instance learning (MIL) and domain adaptation (DA) methods. Furthermore, in order to combine the supervisory information of both methods effectively, we propose a method to create pseudo-labels with high confidence. We conducted experiments on the pathological image dataset we created for this study and showed that the proposed method significantly improves the classification performance compared to existing methods.
• Abstract（参考訳）: 病理画像解析は細胞画像から癌などの異常を検出する重要なプロセスである。 しかし、画像サイズは一般的に非常に大きいため、詳細なアノテーションを提供することのコストが高いため、機械学習技術の適用は困難である。 アノテーションコストを低く抑えながら異常を識別する性能を向上させる一つの方法は、スライド毎にラベルのみを使用するか、ラベル付きデータセットからの情報を使用することである。 しかし、そのような弱い監督情報は、しばしば十分な性能を提供しない。 本稿では,アノテーションコストを増加させることなく,対象データセットの分類性能を向上させるタスク設定を提案する。 そして,この問題を解決するために,マルチインスタンス学習(MIL)とドメイン適応(DA)メソッドを用いたパイプラインを提案する。 さらに,両手法の監視情報を効果的に結合するために,信頼度の高い擬似ラベルを作成する手法を提案する。 本研究のために開発した病理画像データセットについて実験を行い,提案手法が既存の手法と比較して分類性能を大幅に向上させることを示した。

関連論文リスト

• DALSA: Domain Adaptation for Supervised Learning From Sparsely Annotated MR Images [2.352695945685781]
  そこで本研究では,自動腫瘍セグメンテーションのための教師あり学習において,スパースアノテーションによるサンプル選択誤差を補正するトランスファーラーニング手法を提案する。 提案手法は,スパースおよび曖昧なアノテーションから,異なる組織クラスに対する高品質な分類法を導出する。 完全ラベル付きデータを用いたトレーニングと比較して, ラベル付け時間とトレーニング時間は, 精度を犠牲にすることなく, 70倍, 180倍に短縮した。
  論文  参考訳（メタデータ） (2024-03-12T09:17:21Z)
• Weakly Semi-supervised Tool Detection in Minimally Invasive Surgery Videos [11.61305113932032]
  外科的ツール検出は、最小侵襲の手術ビデオの分析と評価に不可欠である。 インスタンスレベルのラベルを持つ大規模なイメージデータセットは、アノテーションの負担のために制限されることが多い。 本研究では,非常にコストのかかるアノテーションの重み付けと検出性能のバランスをとることを提案する。
  論文  参考訳（メタデータ） (2024-01-05T13:05:02Z)
• Simple but Effective Unsupervised Classification for Specified Domain Images: A Case Study on Fungi Images [7.725818999035946]
  高品質なラベル付きデータセットはディープラーニングに不可欠である。 従来の手動のアノテーション手法は高価で非効率である。 3つの重要な概念を持つ教師なしの分類方法を紹介した。
  論文  参考訳（メタデータ） (2023-11-15T14:33:22Z)
• 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)
• STAR: Noisy Semi-Supervised Transfer Learning for Visual Classification [0.8662293148437356]
  半教師付き学習(SSL)は、大規模なラベルなしデータの活用に有効であることが証明されている。 最近のSSLメソッドは、数十億のスケールでラベル付けされていないイメージデータに依存している。 本稿では,移動学習と自己学習を統合した半教師あり半教師ありトランスファー学習を提案する。
  論文  参考訳（メタデータ） (2021-08-18T19:35:05Z)
• Overcoming the curse of dimensionality with Laplacian regularization in semi-supervised learning [80.20302993614594]
  ラプラシア正規化の欠点を克服するための統計的解析を提供する。 望ましい振る舞いを示すスペクトルフィルタリング法を多数発表する。 我々は,本手法を大量のデータで利用できるようにするために,現実的な計算ガイドラインを提供する。
  論文  参考訳（メタデータ） (2020-09-09T14:28:54Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Semi-Supervised Learning with Meta-Gradient [123.26748223837802]
  半教師付き学習における簡単なメタ学習アルゴリズムを提案する。 その結果,提案アルゴリズムは最先端の手法に対して良好に動作することがわかった。
  論文  参考訳（メタデータ） (2020-07-08T08:48:56Z)
• Rectified Meta-Learning from Noisy Labels for Robust Image-based Plant Disease Diagnosis [64.82680813427054]
  植物病は食料安全保障と作物生産に対する主要な脅威の1つである。 1つの一般的なアプローチは、葉画像分類タスクとしてこの問題を変換し、強力な畳み込みニューラルネットワーク(CNN)によって対処できる。 本稿では,正規化メタ学習モジュールを共通CNNパラダイムに組み込んだ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） (2020-03-17T09:51:30Z)

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。