論文の概要: ProtoDiv: Prototype-guided Division of Consistent Pseudo-bags for
Whole-slide Image Classification
- arxiv url: http://arxiv.org/abs/2304.06652v1
- Date: Thu, 13 Apr 2023 16:27:08 GMT
- ステータス: 処理完了
- システム内更新日: 2023-04-14 13:48:50.915798
- Title: ProtoDiv: Prototype-guided Division of Consistent Pseudo-bags for
Whole-slide Image Classification
- Title（参考訳）: ProtoDiv:全スライディング画像分類のための連続擬似バグのプロトタイプ誘導分類
- Authors: Rui Yang, Pei Liu, and Luping Ji
- Abstract要約: Pseudo-bag の分割スキームは、しばしば分類性能に欠かせないものであり、探求する価値のあるトピックである。
本稿では,WSI 擬似バッグの分割を誘導するために,バッグプロトタイプを用いた新しいスキーム ProtoDiv を提案する。
- 参考スコア（独自算出の注目度）: 5.836559246348487
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Due to the limitations of inadequate Whole-Slide Image (WSI) samples with
weak labels, pseudo-bag-based multiple instance learning (MIL) appears as a
vibrant prospect in WSI classification. However, the pseudo-bag dividing
scheme, often crucial for classification performance, is still an open topic
worth exploring. Therefore, this paper proposes a novel scheme, ProtoDiv, using
a bag prototype to guide the division of WSI pseudo-bags. Rather than designing
complex network architecture, this scheme takes a plugin-and-play approach to
safely augment WSI data for effective training while preserving sample
consistency. Furthermore, we specially devise an attention-based prototype that
could be optimized dynamically in training to adapt to a classification task.
We apply our ProtoDiv scheme on seven baseline models, and then carry out a
group of comparison experiments on two public WSI datasets. Experiments confirm
our ProtoDiv could usually bring obvious performance improvements to WSI
classification.
- Abstract（参考訳）: 弱いラベルを持つWSI(Whole-Slide Image)サンプルの限界により、WSI分類において、擬似バグベースの多重インスタンス学習(MIL)が活発な展望として現れる。
しかし、シュードバッグ分割スキームは、しばしば分類性能に欠かせないもので、検討に値するオープントピックである。
そこで本稿では,wsi擬似袋の分割を案内するために,バッグプロトタイプを用いた新しいスキームprotodivを提案する。
このスキームは複雑なネットワークアーキテクチャを設計するのではなく、サンプル一貫性を維持しながら効果的なトレーニングのためにwsiデータを安全に拡張するためのプラグイン・アンド・プレイアプローチを採用している。
さらに,分類タスクに適応するトレーニングにおいて動的に最適化可能な注意に基づくプロトタイプを考案する。
我々は7つのベースラインモデルにprotodivスキームを適用し,2つのwsiデータセットの比較実験を行った。
実験では、protodivがwsi分類に明らかなパフォーマンス改善をもたらすことを確認しました。
関連論文リスト
- Queryable Prototype Multiple Instance Learning with Vision-Language Models for Incremental Whole Slide Image Classification [10.667645628712542]
本稿では, 逐次WSI分類に特化して設計された, Queryable Prototype Multiple Instance Learning (QPMIL-VL) を用いた視覚言語ベースのフレームワークを提案する。
TCGAデータセットの4つの実験により、我々のQPMIL-VLフレームワークが漸進的なWSI分類に有効であることが示された。
論文 参考訳（メタデータ） (2024-10-14T14:49:34Z) - MergeUp-augmented Semi-Weakly Supervised Learning for WSI Classification [1.2387547097768696]
多重インスタンス学習(MIL)は、WSI分類のための弱い教師付き学習手法である。
機能拡張技術であるMergeUpを導入し、低優先度のバッグをマージしてカテゴリ間情報を強化する。
CAMELYON-16, BRACS, TCGA-LUNGデータセットによる実験結果から, 既存の最先端手法よりも本手法の方が優れていることが示された。
論文 参考訳（メタデータ） (2024-08-23T04:08:30Z) - A Universal Knowledge Embedded Contrastive Learning Framework for Hyperspectral Image Classification [43.00429513188971]
ハイパースペクトル画像(HSI)分類技術の研究が盛んに行われ、様々なモデルが開発されている。
教師付き・教師なし・半教師付きHSI分類のための共通知識組み込みコントラスト学習フレームワーク(KnowCL)を提案する。
論文 参考訳（メタデータ） (2024-04-02T06:24:21Z) - SLPD: Slide-level Prototypical Distillation for WSIs [11.217079419686472]
コンテキストモデリングのためのスライディング内およびスライディング間セマンティック構造を探索するために,SLPD(Slide-Level Prototypeal Distillation)を提案する。
SLPDは、複数のスライドレベルのベンチマークで最先端の結果を達成し、スライドのセマンティックな構造の表現学習がWSI分析に適したプロキシタスクを実現できることを示した。
論文 参考訳（メタデータ） (2023-07-20T08:38:15Z) - Learning Binary and Sparse Permutation-Invariant Representations for
Fast and Memory Efficient Whole Slide Image Search [3.2580463372881234]
本稿では, 深層生成モデルとフィッシャーベクトルを用いて, バイナリおよびスパースWSI表現を学習するための新しいフレームワークを提案する。
本稿では、インスタンスベーストレーニングを用いたスパースと二分置換不変WSI表現を学習するための新しい損失関数を提案する。
提案手法は, 検索精度と速度の両面で, ヨッティクセル(最近の病理画像検索エンジン)より優れていた。
論文 参考訳（メタデータ） (2022-08-29T14:56:36Z) - Domain Adaptive Nuclei Instance Segmentation and Classification via
Category-aware Feature Alignment and Pseudo-labelling [65.40672505658213]
本稿では, UDA 核インスタンス分割と分類のための新しいディープニューラルネットワークである Category-Aware 機能アライメントと Pseudo-Labelling Network (CAPL-Net) を提案する。
我々のアプローチは、最先端のUDA手法よりも顕著なマージンで優れています。
論文 参考訳（メタデータ） (2022-07-04T07:05:06Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Adversarial Feature Augmentation and Normalization for Visual
Recognition [109.6834687220478]
最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。
本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。
代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
論文 参考訳（メタデータ） (2021-03-22T20:36:34Z) - Contrastive Prototype Learning with Augmented Embeddings for Few-Shot
Learning [58.2091760793799]
拡張埋め込み(CPLAE)モデルを用いた新しいコントラスト型プロトタイプ学習を提案する。
クラスプロトタイプをアンカーとして、CPLは、同じクラスのクエリサンプルを、異なるクラスのサンプルを、さらに遠くに引き出すことを目的としている。
いくつかのベンチマークによる大規模な実験により,提案したCPLAEが新たな最先端を実現することが示された。
論文 参考訳（メタデータ） (2021-01-23T13:22:44Z) - UniT: Unified Knowledge Transfer for Any-shot Object Detection and
Segmentation [52.487469544343305]
オブジェクト検出とセグメンテーションの方法は、トレーニングのための大規模インスタンスレベルのアノテーションに依存します。
本稿では,直感的かつ統一的な半教師付きモデルを提案する。
論文 参考訳（メタデータ） (2020-06-12T22:45:47Z) - Self-Supervised Tuning for Few-Shot Segmentation [82.32143982269892]
Few-shotのセグメンテーションは、アノテートされたサンプルがほとんどない各画像ピクセルにカテゴリラベルを割り当てることを目的としている。
既存のメタラーニング手法では, 画像から抽出した視覚的特徴を埋め込み空間に埋め込むと, カテゴリー別識別記述子の生成に失敗する傾向にある。
本稿では,複数のエピソードにまたがる潜在特徴の分布を,自己分割方式に基づいて動的に調整する適応型フレームワークチューニングを提案する。
論文 参考訳（メタデータ） (2020-04-12T03:53:53Z)
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。