論文の概要: Improved statistical benchmarking of digital pathology models using
pairwise frames evaluation
- arxiv url: http://arxiv.org/abs/2306.04709v1
- Date: Wed, 7 Jun 2023 18:21:22 GMT
- ステータス: 処理完了
- システム内更新日: 2023-06-09 18:01:13.040093
- Title: Improved statistical benchmarking of digital pathology models using
pairwise frames evaluation
- Title(参考訳): ペアワイズフレーム評価によるデジタル病理モデルの統計的ベンチマークの改善
- Authors: Ylaine Gerardin, John Shamshoian, Judy Shen, Nhat Le, Jamie Prezioso,
John Abel, Isaac Finberg, Daniel Borders, Raymond Biju, Michael Nercessian,
Vaed Prasad, Joseph Lee, Spencer Wyman, Sid Gupta, Abigail Emerson, Bahar
Rahsepar, Darpan Sanghavi, Ryan Leung, Limin Yu, Archit Khosla, Amaro
Taylor-Weiner
- Abstract要約: 組織分類,細胞分類,細胞数予測タスクにおいて,ネストした一対のフレーム評価を実装した。
我々は,H&E染色メラノーマデータセット上に展開した細胞および組織モデルについて検討した。
- 参考スコア(独自算出の注目度): 1.1718862688819518
- License: http://creativecommons.org/licenses/by-sa/4.0/
- Abstract: Nested pairwise frames is a method for relative benchmarking of cell or
tissue digital pathology models against manual pathologist annotations on a set
of sampled patches. At a high level, the method compares agreement between a
candidate model and pathologist annotations with agreement among pathologists'
annotations. This evaluation framework addresses fundamental issues of data
size and annotator variability in using manual pathologist annotations as a
source of ground truth for model validation. We implemented nested pairwise
frames evaluation for tissue classification, cell classification, and cell
count prediction tasks and show results for cell and tissue models deployed on
an H&E-stained melanoma dataset.
- Abstract(参考訳): ネステッドペアワイズフレーム(Nested pairwise frames)は、サンプルパッチのセット上の手動の病理医アノテーションに対して、細胞または組織のデジタル病理モデルの相対的なベンチマークを行う方法である。
高レベルでは、候補モデルと病理医のアノテーションの一致と、病理医のアノテーション間の一致を比較する。
この評価フレームワークは、手動の病理医アノテーションをモデル検証の基礎的真理の源として利用する際の、データサイズとアノテーションの変動に関する基本的な問題に対処する。
組織分類,細胞分類,細胞数予測タスクのためのネストペアワイズフレームの評価を行い,h&eで維持されたメラノーマデータセットにデプロイされた細胞および組織モデルの結果を示す。
関連論文リスト
- Harnessing Intra-group Variations Via a Population-Level Context for
Pathology Detection [18.410367499456182]
PopuSenseは、局所的またはグローバルな文脈が見逃すかもしれない、あるいは滑らかなバイオメディカルデータに固有のグループ内変異をキャプチャする。
コントラストベースの画像とテクスチャベースの画像の実験は、最小限の適応で、既存の強度ベースの入力の嗜好に遭遇する。
論文 参考訳(メタデータ) (2024-03-04T18:44:30Z) - The Whole Pathological Slide Classification via Weakly Supervised
Learning [7.313528558452559]
細胞核疾患と病理タイルの空間的相関の2つの病因を考察した。
本研究では,抽出器訓練中の汚れ分離を利用したデータ拡張手法を提案する。
次に,隣接行列を用いてタイル間の空間的関係を記述する。
これら2つのビューを統合することで,H&E染色組織像を解析するためのマルチインスタンス・フレームワークを設計した。
論文 参考訳(メタデータ) (2023-07-12T16:14:23Z) - Evaluating Post-hoc Interpretability with Intrinsic Interpretability [0.4588028371034407]
畳み込みニューラルネットワークは、いくつかの医療タスクにおいて人間レベルの性能に達したが、その臨床的使用は、その解釈可能性の欠如によって妨げられている。
この問題に対処するために、ポストホック法と本質的な方法の2つの主要な解釈可能性戦略が提案されている。
病理組織像の文脈に本態性解釈可能なProtoPNetを適用し,それによる属性マップとポストホック法によるサリエンシマップを比較した。
論文 参考訳(メタデータ) (2023-05-04T17:20:26Z) - 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) - Improving Classification Model Performance on Chest X-Rays through Lung
Segmentation [63.45024974079371]
本稿では, セグメンテーションによる異常胸部X線(CXR)識別性能を向上させるための深層学習手法を提案する。
提案手法は,CXR画像中の肺領域を局所化するための深層ニューラルネットワーク(XLSor)と,大規模CXRデータセットで事前学習した自己教師あり運動量コントラスト(MoCo)モデルのバックボーンを用いたCXR分類モデルである。
論文 参考訳(メタデータ) (2022-02-22T15:24:06Z) - G-MIND: An End-to-End Multimodal Imaging-Genetics Framework for
Biomarker Identification and Disease Classification [49.53651166356737]
診断によって誘導される画像データと遺伝データを統合し、解釈可能なバイオマーカーを提供する新しいディープニューラルネットワークアーキテクチャを提案する。
2つの機能的MRI(fMRI)パラダイムとSingle Nucleotide Polymorphism (SNP)データを含む統合失調症の集団研究で本モデルを評価した。
論文 参考訳(メタデータ) (2021-01-27T19:28:04Z) - Adversarial Sample Enhanced Domain Adaptation: A Case Study on
Predictive Modeling with Electronic Health Records [57.75125067744978]
ドメイン適応を容易にするデータ拡張手法を提案する。
逆生成したサンプルはドメイン適応時に使用される。
その結果,本手法の有効性とタスクの一般性が確認された。
論文 参考訳(メタデータ) (2021-01-13T03:20:20Z) - Cancer image classification based on DenseNet model [3.3516258832067067]
DenseNet Blockに基づく新しい転移性癌画像分類モデルを提案する。
PatchCamelyon(PCam)ベンチマークデータセットのわずかに修正されたバージョンに対する提案手法の評価を行った。
論文 参考訳(メタデータ) (2020-11-23T03:05:42Z) - 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) - Weakly supervised multiple instance learning histopathological tumor
segmentation [51.085268272912415]
スライド画像全体のセグメント化のための弱教師付きフレームワークを提案する。
トレーニングモデルに複数のインスタンス学習スキームを利用する。
提案するフレームワークは,The Cancer Genome AtlasとPatchCamelyonデータセットのマルチロケーションとマルチ中心公開データに基づいて評価されている。
論文 参考訳(メタデータ) (2020-04-10T13:12:47Z)
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。