論文の概要: Domain Adaptation using Silver Standard Labels for Ki-67 Scoring in
Digital Pathology: A Step Closer to Widescale Deployment
- arxiv url: http://arxiv.org/abs/2307.03872v1
- Date: Sat, 8 Jul 2023 01:23:36 GMT
- ステータス: 処理完了
- システム内更新日: 2023-07-11 16:58:41.739536
- Title: Domain Adaptation using Silver Standard Labels for Ki-67 Scoring in
Digital Pathology: A Step Closer to Widescale Deployment
- Title（参考訳）: デジタル病理におけるKi-67スコーリングのための銀標準ラベルを用いたドメイン適応
- Authors: Amanda Dy, Ngoc-Nhu Jennifer Nguyen, Seyed Hossein Mirjahanmardi,
Melanie Dawe, Anthony Fyles, Wei Shi, Fei-Fei Liu, Dimitrios Androutsos,
Susan Done and April Khademi
- Abstract要約: 本研究は,ゴールド・スタンダード (GS) ソース・ドメイン・データの拡張に使用される銀標準 (pseudo) ラベルを対象ドメインに生成するフレームワークを提案する。
提案するパイプラインは,手動のアノテーションを使わずに対象の分布を効率よく学習する方法を提供する。
- 参考スコア（独自算出の注目度）: 3.1796396749012676
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Deep learning systems have been proposed to improve the objectivity and
efficiency of Ki- 67 PI scoring. The challenge is that while very accurate,
deep learning techniques suffer from reduced performance when applied to
out-of-domain data. This is a critical challenge for clinical translation, as
models are typically trained using data available to the vendor, which is not
from the target domain. To address this challenge, this study proposes a domain
adaptation pipeline that employs an unsupervised framework to generate silver
standard (pseudo) labels in the target domain, which is used to augment the
gold standard (GS) source domain data. Five training regimes were tested on two
validated Ki-67 scoring architectures (UV-Net and piNET), (1) SS Only: trained
on target silver standard (SS) labels, (2) GS Only: trained on source GS
labels, (3) Mixed: trained on target SS and source GS labels, (4) GS+SS:
trained on source GS labels and fine-tuned on target SS labels, and our
proposed method (5) SS+GS: trained on source SS labels and fine-tuned on source
GS labels. The SS+GS method yielded significantly (p < 0.05) higher PI accuracy
(95.9%) and more consistent results compared to the GS Only model on target
data. Analysis of t-SNE plots showed features learned by the SS+GS models are
more aligned for source and target data, resulting in improved generalization.
The proposed pipeline provides an efficient method for learning the target
distribution without manual annotations, which are time-consuming and costly to
generate for medical images. This framework can be applied to any target site
as a per-laboratory calibration method, for widescale deployment.
- Abstract（参考訳）: 深層学習システムは,Ki-67 PIスコアの客観性と効率を向上させるために提案されている。
課題は、非常に正確なディープラーニング技術では、ドメイン外のデータに適用した場合のパフォーマンスが低下することです。
モデルは通常、ターゲットドメインからではなく、ベンダーが利用可能なデータを使用してトレーニングされるため、これは臨床翻訳にとって重要な課題である。
そこで本研究では,対象ドメインの銀標準(擬似)ラベルを生成するために,教師なしフレームワークを用いて,ゴールド標準(GS)ソースドメインデータの拡張を行うドメイン適応パイプラインを提案する。
評価された2つのKi-67スコアリングアーキテクチャ(UV-Net, piNET), (1) SSのみ, (2) GSのみ,(2) GSはソースGSラベルで,(3) GSはソースGSラベルで,(4) GS+SSはソースGSラベルで, 微調整はターゲットSSラベルで, そして(5) SS+GSはソースSSラベルで, ソースGSラベルでのみ訓練された。
SS+GS法は(p < 0.05)高いPI精度(95.9%)と目標データに対するGS onlyモデルよりも一貫性のある結果を得た。
t-SNEプロットの解析により、SS+GSモデルにより学習された特徴が、ソースデータとターゲットデータにより整合していることが示され、一般化が改善された。
提案するパイプラインは,手作業によるアノテーションを使わずに目標分布を学習するための効率的な手法を提供する。
このフレームワークは、広範囲なデプロイメントのために、作業単位のキャリブレーション方法として、任意のターゲットサイトに適用することができる。
関連論文リスト
- Improving Pseudo-labelling and Enhancing Robustness for Semi-Supervised Domain Generalization [7.9776163947539755]
自動化医療のような現実のアプリケーションに不可欠な半スーパービジョン・ドメイン・ジェネリゼーションの問題について検討する。
モデル平均化を用いた新しい不確実性誘導擬似ラベリングを用いたSSDG手法を提案する。
我々の不確実性誘導型擬似ラベリング(UPL)は、モデル不確実性を利用して擬似ラベリング選択を改善する。
論文 参考訳（メタデータ） (2024-01-25T05:55:44Z) - GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。
近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。
本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
論文 参考訳（メタデータ） (2023-08-20T08:52:43Z) - Domain Adaptation using Silver Standard Masks for Lateral Ventricle
Segmentation in FLAIR MRI [0.05219568203653523]
流体減衰インバージョンリカバリ(FLAIR)MRIにおける第1回トランスファーラーニングに基づくLVVセグメンテーション法を提案する。
4つのデータセットから保持されたテストセットで4つのモデルがテストされた。
論文 参考訳（メタデータ） (2023-07-17T12:57:02Z) - Target-Aware Generative Augmentations for Single-Shot Adaptation [21.840653627684855]
我々は、ソースドメインからターゲットドメインへのモデル適応のための新しいアプローチを提案する。
SiSTAは、単一ショットターゲットを用いてソースドメインから生成モデルを微調整し、その後、合成ターゲットデータをキュレートするための新しいサンプリング戦略を用いる。
顔検出や多クラス物体認識において,SiSTAは既存のベースラインよりも大幅に向上していることがわかった。
論文 参考訳（メタデータ） (2023-05-22T17:46:26Z) - Source-Free Progressive Graph Learning for Open-Set Domain Adaptation [44.63301903324783]
オープンセットドメイン適応(OSDA)は多くの視覚認識タスクで注目されている。
目的仮説空間を共有空間と未知の部分空間に分解するプログレッシブグラフ学習(PGL)フレームワークを提案する。
また、ソースとターゲットドメインの共存を前提としない、より現実的なオープンソースフリーなオープンセットドメイン適応(SF-OSDA)に取り組みます。
論文 参考訳（メタデータ） (2022-02-13T01:19:41Z) - Extending the WILDS Benchmark for Unsupervised Adaptation [186.90399201508953]
We present the WILDS 2.0 update, which extends 8 of the 10 datasets in the WILDS benchmark of distribution shifts to include curated unlabeled data。
これらのデータセットは、組織学から野生生物保護まで幅広い応用、タスク(分類、回帰、検出)、モダリティにまたがる。
ドメイン不変量や自己学習,自己管理など,ラベルのないデータを活用する最先端の手法を体系的にベンチマークする。
論文 参考訳（メタデータ） (2021-12-09T18:32:38Z) - Score-based Generative Modeling in Latent Space [93.8985523558869]
スコアベース生成モデル(SGM)は,最近,サンプル品質と分布範囲の両面で顕著な結果を示した。
本稿では,Latent Score-based Generative Model (LSGM)を提案する。
データから潜在空間への移動により、より表現力のある生成モデルをトレーニングし、非連続データにSGMを適用し、よりスムーズなSGMをより小さな空間で学習することができる。
論文 参考訳（メタデータ） (2021-06-10T17:26:35Z) - Cycle Self-Training for Domain Adaptation [85.14659717421533]
Cycle Self-Training (CST) は、ドメイン間の一般化に擬似ラベルを強制する、原則付き自己学習アルゴリズムである。
CSTは目標の真理を回復し、不変の機能学習とバニラ自己訓練の両方が失敗する。
実験結果から,標準的なUDAベンチマークでは,CSTは先行技術よりも大幅に改善されていることが示唆された。
論文 参考訳（メタデータ） (2021-03-05T10:04:25Z) - Delving Deep into Label Smoothing [112.24527926373084]
ディープニューラルネットワーク(DNN)の効果的な正規化ツールとしてのラベル平滑化
対象カテゴリのモデル予測の統計に基づいてソフトラベルを生成するオンラインラベル平滑化(OLS)戦略を提案する。
論文 参考訳（メタデータ） (2020-11-25T08:03:11Z) - DAGA: Data Augmentation with a Generation Approach for Low-resource
Tagging Tasks [88.62288327934499]
線形化ラベル付き文に基づいて訓練された言語モデルを用いた新しい拡張手法を提案する。
本手法は, 教師付き設定と半教師付き設定の両方に適用可能である。
論文 参考訳（メタデータ） (2020-11-03T07:49:15Z) - A Bayesian-inspired, deep learning-based, semi-supervised domain
adaptation technique for land cover mapping [4.167265971166947]
Sourcererは、SITSデータから土地被覆マップを作成するための半教師付きDA技術である。
ソースドメインでトレーニングされた畳み込みニューラルネットワークを使用して、利用可能なターゲットドメインをさらにトレーニングする。
Sourcererは、利用可能なラベル付きターゲットデータに対して、他のすべてのメソッドよりも優れています。
論文 参考訳（メタデータ） (2020-05-25T05:36:50Z)
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。