論文の概要: Mitosis Detection from Partial Annotation by Dataset Generation via Frame-Order Flipping

• arxiv url: http://arxiv.org/abs/2307.04113v1
• Date: Sun, 9 Jul 2023 08:05:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-11 15:20:12.423300
• Title: Mitosis Detection from Partial Annotation by Dataset Generation via Frame-Order Flipping
• Title（参考訳）: フレーム次フリップによるデータセット生成による部分アノテーションからのミトーシスの検出
• Authors: Kazuya Nishimura, Ami Katanaya, Shinichiro Chuma, Ryoma Bise
• Abstract要約: そこで本研究では,部分的に注釈付き配列でトレーニングできるミトーシス検出法を提案する。 フレームオーダーのフリップにより、ミトーシスイベントを含まない画像ペアを生成する。 次に、アルファブレンディング法による画像ペアにミトーシスイベントをペーストし、完全なラベル付きデータセットを生成する。
• 参考スコア（独自算出の注目度）: 6.862925771672301
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Detection of mitosis events plays an important role in biomedical research. Deep-learning-based mitosis detection methods have achieved outstanding performance with a certain amount of labeled data. However, these methods require annotations for each imaging condition. Collecting labeled data involves time-consuming human labor. In this paper, we propose a mitosis detection method that can be trained with partially annotated sequences. The base idea is to generate a fully labeled dataset from the partial labels and train a mitosis detection model with the generated dataset. First, we generate an image pair not containing mitosis events by frame-order flipping. Then, we paste mitosis events to the image pair by alpha-blending pasting and generate a fully labeled dataset. We demonstrate the performance of our method on four datasets, and we confirm that our method outperforms other comparisons which use partially labeled sequences.
• Abstract（参考訳）: 分裂現象の検出は、生物医学研究において重要な役割を担っている。 深層学習に基づくミトーシス検出法は,一定のラベル付きデータを用いて優れた性能を達成している。 しかし、これらの手法は各撮像条件にアノテーションを必要とする。 ラベル付きデータの収集には時間を要する。 本稿では,部分的に注釈付きシーケンスでトレーニング可能なミオシス検出法を提案する。 基本的なアイデアは、部分ラベルから完全なラベル付きデータセットを生成し、生成されたデータセットで分裂検出モデルをトレーニングすることだ。 まず,フレーム次反転によりmitosisイベントを含まない画像対を生成する。 次に,アルファブレイディングペーストにより画像ペアにmitosisイベントをペーストし,完全なラベル付きデータセットを生成する。 提案手法は,4つのデータセット上での性能を実証し,部分ラベル付きシーケンスを用いた他の比較よりも優れていることを確認した。

関連論文リスト

• Diffusion-based Data Augmentation for Nuclei Image Segmentation [68.28350341833526]
  核セグメンテーションのための拡散法を初めて導入する。 このアイデアは、多数のラベル付き画像を合成し、セグメンテーションモデルを訓練することを目的としている。 実験の結果,10%のラベル付き実データセットを合成サンプルで拡張することにより,同等のセグメンテーション結果が得られることがわかった。
  論文  参考訳（メタデータ） (2023-10-22T06:16:16Z)
• Dataset Diffusion: Diffusion-based Synthetic Dataset Generation for Pixel-Level Semantic Segmentation [6.82236459614491]
  テキストから画像への生成モデルであるStable Diffusionを用いて,ピクセルレベルのセマンティックセマンティックセマンティクスラベルを生成する手法を提案する。 テキストプロンプト,クロスアテンション,SDの自己アテンションを活用することで,クラスプロンプト付加,クラスプロンプト横断アテンション,自己アテンション指数の3つの新しい手法を導入する。 これらの手法により合成画像に対応するセグメンテーションマップを生成することができる。
  論文  参考訳（メタデータ） (2023-09-25T17:19:26Z)
• Semi-Supervised Image Captioning by Adversarially Propagating Labeled Data [95.0476489266988]
  本稿では、画像キャプションモデルの一般化を改善するための、新しいデータ効率半教師付きフレームワークを提案する。 提案手法は,キャプタにペアデータから学習し,段階的に未ペアデータの関連付けを行うよう訓練する。 1)画像ベースと(2)高密度領域ベースキャプションデータセットの両方を総合的かつ包括的な実験結果とし,それに続いて,少ないペアリングデータセットの包括的分析を行った。
  論文  参考訳（メタデータ） (2023-01-26T15:25:43Z)
• VAESim: A probabilistic approach for self-supervised prototype discovery [0.23624125155742057]
  条件付き変分オートエンコーダに基づく画像階層化アーキテクチャを提案する。 我々は、連続した潜伏空間を用いて障害の連続を表現し、訓練中にクラスターを見つけ、画像/患者の成層に使用することができる。 本手法は,標準VAEに対して,分類タスクで測定されたkNN精度において,ベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2022-09-25T17:55:31Z)
• Triple-View Feature Learning for Medical Image Segmentation [9.992387025633805]
  TriSegNetは半教師付きセマンティックセグメンテーションフレームワークである。 ラベル付けされたデータの限られた量と、ラベル付けされていない大量のデータに基づいて、トリプルビューの特徴学習を使用する。
  論文  参考訳（メタデータ） (2022-08-12T14:41:40Z)
• Self-Supervised Learning as a Means To Reduce the Need for Labeled Data in Medical Image Analysis [64.4093648042484]
  胸部X線画像のデータセットとバウンディングボックスラベルを用いて,13種類の異常の分類を行った。 ラベル付きデータの平均精度と精度を60%に抑えることで,完全教師付きモデルと同等の性能が得られることを示す。
  論文  参考訳（メタデータ） (2022-06-01T09:20:30Z)
• GuidedMix-Net: Semi-supervised Semantic Segmentation by Using Labeled Images as Reference [90.5402652758316]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 ラベル付き情報を使用して、ラベルなしのインスタンスの学習をガイドする。 競合セグメンテーションの精度を達成し、mIoUを以前のアプローチに比べて+7$%大きく改善する。
  論文  参考訳（メタデータ） (2021-12-28T06:48:03Z)
• Semi-supervised Cell Detection in Time-lapse Images Using Temporal Consistency [10.20554144865699]
  本研究では,ラベル付き画像とラベル付き画像との時間経過シーケンスを効果的に利用する半教師付き細胞検出法を提案する。 まず,一方のラベル付き画像を用いたセル検出ネットワークを訓練し,未ラベル付き画像と訓練されたネットワークを推定する。 次に,検出した細胞をラベル付きフレームから遠方まで追跡することにより,推定値から高信頼位置を選択する。
  論文  参考訳（メタデータ） (2021-07-19T06:40:47Z)
• GuidedMix-Net: Learning to Improve Pseudo Masks Using Labeled Images as Reference [153.354332374204]
  半教師付きセマンティックセマンティックセグメンテーションのための新しい手法である GuidedMix-Net を提案する。 まず、ラベル付きデータとラベルなしデータの間に特徴アライメントの目的を導入し、類似した画像対をキャプチャする。 MITransは、ラベルなしデータのさらなるプログレッシブな精細化のための強力な知識モジュールであることが示されている。 ラベル付きデータに対する教師付き学習とともに、ラベル付きデータの予測が生成した擬似マスクとともに学習される。
  論文  参考訳（メタデータ） (2021-06-29T02:48:45Z)
• Unlabeled Data Guided Semi-supervised Histopathology Image Segmentation [34.45302976822067]
  生成法に基づく半教師付き学習(SSL)は,多様な画像特性の活用に有効であることが証明されている。 非ラベルデータ分布を利用した病理組織像分割のための新しいデータガイド生成法を提案する。 本手法は腺および核データセット上で評価される。
  論文  参考訳（メタデータ） (2020-12-17T02:54:19Z)
• ATSO: Asynchronous Teacher-Student Optimization for Semi-Supervised Medical Image Segmentation [99.90263375737362]
  教師-学生最適化の非同期版であるATSOを提案する。 ATSOはラベルのないデータを2つのサブセットに分割し、モデルの微調整に1つのサブセットを交互に使用し、他のサブセットのラベルを更新する。 医用画像のセグメンテーションデータセットを2つ評価し,様々な半教師付き環境において優れた性能を示す。
  論文  参考訳（メタデータ） (2020-06-24T04:05:12Z)

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。